Elaboración e implementación de una propuesta metodológica ...
Transcript of Elaboración e implementación de una propuesta metodológica ...
Elaboración e implementación
de una propuesta metodológica
para la evaluación y gestión de la
calidad del aire mediante el
enfoque de la ciencia de datos Natacha Soledad Represa
Directores
Andrés Porta (CIM – UNLP – CONICET)
Jesús Palomar-Vázquez (CIGAT – UPV)
Alfonso Fernández-Sarría (CIGAT – UPV) Abril, 2020
Presentado ante la Universidad Nacional de La Plata y la Universidad Politécnica de Valencia
bajo acuerdo de cotutela para acceder a los títulos de
Doctor en Ciencias Exactas, con orientación en química Doctor en Ingeniería Geomática
i
ii
Cuando el 11 de diciembre del 2014 se firmó la Resolución Nº 4815 donde me fue otorgada una Beca
Interna Doctoral para realizar esta investigación, la República Argentina contaba con un Ministerio de
Ciencia y Tecnología y un Ministerio de Ambiente y Desarrollo Sustentable. En el transcurso de esta tesis,
ambos ministerios fueron degradados a secretarías, limitando el accionar del Estado Nacional sobre estos
asuntos en el territorio argentino. El 10 de diciembre del 2019 se anunció la restitución de las dos carteras a
ministerios nacionales y recuperamos la esperanza.
iii
iv
“El único héroe válido es el héroe ‘en grupo’, nunca el héroe individual.”
H. G. Oesterheld1
Agradecimientos
Somos producto de nuestras acciones porque nos hacemos haciendo. Pensar, desarrollar y
escribir esta tesis ha sido una oportunidad única de crecimiento personal y profesional donde me
he enfrentado a preguntas y situaciones que creí inabarcables. Y solo con el apoyo de muchas
personas, instituciones y organizaciones fue posible este proyecto. Sin sus contribuciones gran
parte de las cosas planteadas hubiesen quedado en el tintero sin salir a la luz. Infinitas gracias por
los aportes y la compañía.
En especial, al Dr. Andrés Porta y a toda la Unidad II por invitarme a participar del Centro
de Investigaciones del Medioambiente (CIM, CONICET - UNLP). Emprendimos un
camino riesgoso, lleno de dudas y preguntas abiertas que transitamos honrosamente. En ese
cotidiano lleno de cambios, el acompañamiento de Daniela Giuliani y Victoria Passucci en
el subsuelo de la Facultad de Ciencias Exactas de la UNLP, las visitas de Daniela Mellado
y el apoyo de Florencia Yanniello fueron esenciales para sentirme segura en los caminos que
tomó esta tesis. A su vez, agradezco a la Dra. Yanina Sánchez y al Dr. Esteban Colman-
Lerner por las palabras justas en los momentos precisos.
Al Geo-Environmental Cartography and Remote Sensing Group y a los CGATos que me
acompañaron durante días y noches en las oficinas de la Escuela de Cartografía y Topografía
de la UPV. A los Dres. Alfonso Fernández-Sarría y Jesús Palomar-Vázquez por recibir
abiertamente esta propuesta de trabajo y adoptarme como parte de la familia. Gracias por la
enorme generosidad y por estar a disposición de mis consultas. Por ser pacientes y confiar en este
trabajo que se fue gestando en diálogos interrumpidos por la distancia. Me llevo mil imágenes de
Valencia, y todas las palabras quedan cortas para transmitir mi enorme agradecimiento.
Al interés de los integrantes de “Valencia per l’Aire” del grupo Mesura, al Dr. César Ferri
Ramírez y a Lidia Contrera del Departamento de Sistemas Informáticos y
Computación (UPV) y al Dr. Ferrán Ballester del Centro de Investigación Biomédica
en Red de Epidemiología y Salud Pública (CIBERESP) por escuchar nuestras ideas y
brindar su apoyo. No es fácil pensar en un territorio que no es el propio. Quisiera que sepan que
hice eco de sus preocupaciones y adopté la problemática con mi más profundo compromiso.
A la Dra. Gabriela Abril y especialmente a la Mg. María Fernanda García Ferreyra con
quienes hemos mantenido una conversación sostenida sobre la calidad del aire en Argentina a lo
largo de estos años. Charlas repletas de calidez y cercanía, compartiendo ideas y pensando
proyectos. Enormemente agradecida que este proceso me haya llevado a conocerlas.
1 Héctor Germán Oesterheld. Escritor y guionista argentino víctima del terrorismo de Estado. Padre de la historieta argentina moderna. Autor de El Eternauta.
v
A la Comisión Nacional de Actividades Espaciales (CONAE) y al equipo de excelentes
profesionales que se reúnen en el Instituto de Altos Estudios Espaciales Mario Gulich
(CONAE, UNC - CONICET) que me enseñaron a programar en sus aulas.
A la Dra. Claudia Natenzon que me recibió en su casa para discutir sobre los estudios de
vulnerabilidad social realizados en Argentina y me facilitó bibliografía. Al Dr. Lucas Bali del
Instituto de Investigaciones Científicas y Técnicas para la Defensa (CITEDEF) que
me aconsejó al comienzo de esta tesis con una generosidad inmensa. Son en esos primeros pasos
cuando más apoyo se necesita y agradezco enormemente la amabilidad que supieron tener
conmigo.
A la banda del Laboratorio de Investigación en Nuevas tecnologías Informáticas de la
Facultad de Informática (LINTI) de la UNLP que me hospedaron los últimos meses de la
realización de mi tesis y me ofrecieron soporte técnico cada vez que me hizo falta. En particular,
a Agustín Candia por su compañía y apoyo diario.
A mis colegas, graduades de la Lic. en química y tecnología ambiental de la UNLP, con
quienes compartimos actividades, espacios de reflexión y asambleas. A elles que me recuerdan la
importancia de hacer ciencia para el beneficio de nuestro pueblo.
A las chicas de R-Ladies Buenos Aires y al grupo Podemos Aprender que fueron espacios
de contención y acompañamiento a la distancia. A Mauricio Cap por las fugazzetas de Guerrín
y las conversaciones por calle Corrientes.
A mis amigas, que me alegran la vida.
A mis viejos, Hugo Represa y Silvia Polenta, de quienes aprendo a ser una adulta
responsable.
vi
Publicaciones
Compendio de artículos publicados durante la elaboración de esta tesis doctoral
• Review “Data Mining Paradigm in the Study of Air Quality”. Represa NS.,
Fernández-Sarría A., Porta A., Palomar Vázquez J. (2019). Environmental Processes, 1-21,
DOI: 10.1007/s40710-019-00407-5
• “Daily concentrations of PM2.5 in the Valencian Community using Random
Forest for the period 2008-2018”. Represa NS., Porta A., Palomar Vázquez J.,
Fernández-Sarría A. (2019). Proceedings 2019, 19, 13; DOI:
10.3390/proceedings2019019013
• “Risk analysis of technological hazards: simulation of scenarios and application
of a local vulnerability index”. Sanchez Y., Represa NS., Mellado D., Balbi K., Acquesta
AD., Colman Lerner JE., Porta A. (2018) Journal of Hazardous Materials, vol. 352, p. 101-
110.
• “Estudio de la vulnerabilidad social en Argentina mediante el uso de SIG.
Construcción de un índice de aplicación local”. Represa NS., Sanchez Y., Porta A.
(2018) Anuario do Instituto de Geociencias, 41(2), 351-357. ISSN 0101-9759; e-ISSN 1982-
3908
• “Solutions for SmartCities: proposal of a monitoring system of air quality based
on a LoRaWAN network with low-cost sensors”. Candia A., Represa NS., Giuliani D.,
Luengo MA., Porta A., Marrone LA. II Congreso Argentino de Ciencias de la Informática y
Desarrollos de Investigación IEEE CACIDI. 28-30 noviembre, 2018
• “Assessment of satellite aerosol optical depth to estimate particulate matter
distribution in Valencia city”. Represa NS., Fernández-Sarría A., Porta A., Palomar
Vázquez J. International Geoscience and Remote Sensing Symposium, IGARSS 2018.
• “Study of the monthly correlation between AOD obtained from MODIS images and particulate matter for a coastal city”. Represa NS., Palomar Vázquez J., Porta A., Fernández-Sarría A. IEEE Biennial Congress of Argentina (ARGENCON 2018).
• “Evaluación del Producto Satelital del Sensor OMI/AURA para el Análisis de Dióxido de Nitrógeno en la Provincia de Buenos Aires”. Represa S., Ojeda S., Abril G., García Ferreyra MF. IEEE Biennial Congress of Argentina (ARGENCON 2018).
• “Enfoque metodológico para el análisis de riesgos de atmósferas peligrosas en
entornos a establecimientos que manipulan HAZMAT”. Represa SN.; Mellado D.,
Balbi KB., Acquesta AD., Porta A., Sanchez EY. Libro de Resúmenes extendidos del Congreso
vii
Colombiano y VI Conferencia Internacional de Calidad del Aire y Salud Pública, CASAP
2017.
• “Characterization of BTEX emission sources in industrial and urban areas
using Principal Components Analysis and Nonparametric Regression Methods”
Mellado D.; Bali JL.; Giuliani D.; Colman Lerner JE.; Represa NS.; Jacovkis PM.; Sanchez
EY. Libro de Resúmenes extendidos del Congreso Colombiano y VI Conferencia
Internacional de Calidad del Aire y Salud Pública, CASAP 2017.
• “Contaminación atmosférica en Dock Sud, Pcia. de Buenos Aires, Argentina.
Análisis de su comportamiento temporal en el período 2011-2017”. Represa SN.,
Abril G., Ojeda S.; García Ferreyra M F. VI Congreso Bianual del Proyecto Integrador sobre
Mitigación de la Contaminación Atmosférica (2017).
• “Aplicación de tecnologías de sistemas de información geográfica (SIG) para la
estimación del riesgo por exposición a compuestos orgánicos volátiles (COVs)”
(2016) Represa S., Colman Lerner e., Sanchez Y., Porta A. Artículo completo. III Congresso
da Sociedade de Análise de Riscos Latino Americana SRA-LA. 11-13 de mayo del 2016 – Sao
Paulo, Brasil. ISBN: 978-85-7270-070-2
viii
Contenido
Agradecimientos ................................................................................................................................. iv
Publicaciones ...................................................................................................................................... vi
Prólogo ............................................................................................................................................... 14
Capítulo 1 - Introducción General .................................................................................................... 16
1. Objetivo general ......................................................................................................................... 18
Objetivos específicos .................................................................................................................. 19
2. Estructura ................................................................................................................................... 19
Capítulo 2 - Marco teórico................................................................................................................ 20
1. La gestión de la calidad del aire ................................................................................................ 20
2. La complejidad del estudio de la calidad del aire ................................................................... 22
2.1 La atmósfera y su dinámica ................................................................................................ 22
2.2 Contaminación del aire, efectos en la salud y aspectos legales ........................................ 25
2.3 Entre la legalidad y la seguridad ambiental ...................................................................... 29
3. El riesgo a la salud .................................................................................................................... 29
4. Estrategias para el monitoreo de la calidad del aire ............................................................... 30
4.1 Monitoreo Terrestre ............................................................................................................. 31
4.2 Teledetección ...................................................................................................................... 32
5. Modelos de calidad del aire ...................................................................................................... 36
5.1 Modelos numéricos determinísticos ................................................................................... 37
5.2 Modelos matemáticos probabilísticos ............................................................................... 39
6. Big data, ciencia de datos y minería de datos .......................................................................... 40
7. El riesgo, la incertidumbre, la ciencia y la gestión ................................................................... 41
Capítulo 3 - Propuesta metodológica .............................................................................................. 44
Introducción .................................................................................................................................. 44
Módulo I - Etapa de diseño del análisis ....................................................................................... 46
I.I. Definición y caracterización el área de estudio .................................................................. 47
I. II. Determinación de los objetivos ........................................................................................ 49
I.III. Delimitación de las preguntas de estudio ....................................................................... 49
I. IV. Adquisición de los datos .................................................................................................. 50
Módulo II - Etapa de procesamiento ........................................................................................... 56
II. I. Preparación de los datos .................................................................................................. 56
ix
II. III. Selección de algoritmos de análisis y procesamiento de los datos ............................. 59
Módulo III - Etapa de comunicación ............................................................................................ 75
III. I. Análisis de los resultados ................................................................................................. 75
III.I. Reportes y Visualizaciones ............................................................................................... 75
III. II. Confección de índices ..................................................................................................... 77
III. III. Confección de mapas de calidad del aire y mapas de riesgo ...................................... 78
Capítulo 4 - Comunidad Valenciana, España.................................................................................. 80
Introducción .................................................................................................................................. 82
Aplicación de la metodología ....................................................................................................... 83
Módulo I - Etapa de diseño del análisis ................................................................................... 83
Módulo II - Etapa de procesamiento ....................................................................................... 93
Módulo III - Etapa de resultados y comunicación ................................................................ 100
Capítulo 5 - Ciudad de Buenos Aires, Argentina............................................................................ 184
Introducción ................................................................................................................................. 186
Aplicación de la metodología ..................................................................................................... 188
Módulo I - Etapa de diseño .................................................................................................... 188
Módulo II - Etapa de procesamiento ...................................................................................... 194
Módulo III - Etapa de resultados y comunicación ................................................................. 199
Capítulo 6 - La Plata, Argentina ..................................................................................................... 232
Introducción ................................................................................................................................ 234
Aplicación de la metodología ..................................................................................................... 235
Módulo I - Etapa de diseño .................................................................................................... 235
Módulo II - Etapa de procesamiento ...................................................................................... 241
Módulo III - Etapa de resultados y comunicación ................................................................ 242
Capítulo 7 - Conclusiones generales .............................................................................................. 254
Bibliografía ...................................................................................................................................... 258
x
Resumen
La exposición a contaminantes atmosféricos causa efectos negativos en la salud de la población,
tanto de forma directa en el corto y el largo plazo, como de forma indirecta, a través de su
incidencia en el cambio climático. El 92% de la población mundial se enfrenta diariamente a una
mala calidad del aire y el 90% de las ciudades del mundo no cuentan con suficientes
reglamentaciones para gestionar este tema. El estudio de los contaminantes atmosféricos ha sido
abordado desde diversos enfoques, pero han sido pocos los trabajos destinados a la gestión de la
calidad del aire con un enfoque metodológico integrador.
En base a esto, el objetivo de esta tesis ha sido elaborar una propuesta metodológica para la
evaluación y gestión de la calidad del aire desde un enfoque de la ciencia de datos. Este enfoque
contribuye en el estudio de la calidad del aire proporcionando una metodología de trabajo
estructurada que organiza las etapas del proceso analítico, desde la adquisición de datos de
distintas fuentes hasta la producción de información para los usuarios finales.
La gestión de la calidad del aire demanda un flujo de trabajo dinámico, donde se priorice la
generación de productos y la comunicación de resultados. Teniendo esto como objetivo principal,
se elaboró una metodología que facilita la integración de los datos disponibles, sistematiza las
preguntas más relevantes, condensa los algoritmos empleados en los análisis descriptivos y
predictivos, y permite generar mapas de riesgo contribuyendo a una rápida y mejor toma de
decisiones.
Para validar esta propuesta, se aplicó la metodología en tres casos de estudio: la Comunidad
Autónoma de Valencia (España) que cuenta con una extensa red de monitoreo de la calidad del
aire, la Ciudad de Buenos Aires (Argentina) con tres estaciones de monitoreo en su zona central,
y la ciudad de La Plata (Argentina) donde no se cuenta con un monitoreo continuo. Al contar con
distinta información, se evaluó la versatilidad de la metodología para adaptarse a distintos
escenarios.
Los resultados mostraron que el enfoque esquemático proporciona orden y flexibilidad en el
estudio de la calidad del aire. La utilización de preguntas de investigación simplificó notablemente
la selección de algoritmos para el análisis y el abordaje de la interpretación de los resultados. A su
vez, permitió diferenciar las preguntas que fueron originarias del estudio de aquellas que
surgieron tras el análisis de los datos. Los algoritmos seleccionados resultaron cumplieron con los
objetivos propuestos.
Como gran limitación para el análisis de la calidad del aire se encontró la falta de mediciones
sistemáticas. Si bien las concentraciones de algunos contaminantes se modelaron mediante el uso
de variables medidas por teledetección, se precisaron de mediciones de campo para validar las
simulaciones. En este sentido, el diálogo efectivo entre la ciencia y la gestión es un asunto
prioritario, donde la ciencia debe proporcionar herramientas innovadoras para avanzar en el nivel
de conocimiento de la atmósfera e identificar los problemas y soluciones que puedan surgir, pero
es necesario dar un marco político que garantice los fondos económicos para su estudio.
xi
Abstract
Exposure to atmospheric pollutants causes adverse effects on the health of the population, both
directly in the short and long term, and indirectly through their impact on climate change. 92%
cent of the world's population faces poor air quality daily, and 90% of the world's cities do not
have enough regulations to manage this issue. The study of atmospheric pollutants has been
considered from various approaches, but there has been little work on air quality management
with an integrative methodological strategy.
Therefore, the objective of this thesis was to develop a methodological framework for air quality
assessment and management using a data science approach. This strategy contributes to the study
of air quality by providing a structured working methodology that organizes the stages of the
analytical process, from the acquisition of data coming through different sources until the
presentation of information to the end-users.
Air quality management demands a dynamic pipeline that privileges the production of outputs
and the reporting of results. Keeping this as a main aim, the methodology developed promotes
the integration of available data, organizes the most relevant questions, summarizes the
algorithms used in descriptive and predictive analysis, and creates risk maps to help make quick
and better decisions.
To validate this proposal, we evaluated the methodology in three case studies: the Autonomous
Community of Valencia (Spain) which has an extense air quality monitoring network, the City of
Buenos Aires (Argentina) with three monitoring stations in its central zone, and the city of La
Plata (Argentina) where there is no continuous monitoring. Since different information was
available, the versatility of the methodology to adapted to different scenarios was assessed.
The results showed that the schematic design provides order and flexibility in the investigation of
air quality. The use of research questions greatly simplified the selection of algorithms for analysis
and the understanding of the results. In turn, it enabled the distinction the original questions
from those that emerged after the analysis of the data. The selected algorithms were in accordance
to the established goals.
A major obstacle to the determination of air quality was the lack of routine monitoring. Whereas
the concentrations of some pollutants were modelled using remotely sensed variables, field
measurements were required to validate the predictions. In this sense, the effective interchange
between science and administration is a priority issue, where science must provide innovative
tools to improve the level of knowledge of the atmosphere and to identify the problems and
solutions that may arise. However, it is necessary to provide a political support to guarantee the
economic funds for research.
xii
Resum
L'exposició a contaminants atmosfèrics causa efectes negatius en la salut de la població, tant de
manera directa en el curt i el llarg termini, com de manera indirecta, a través de la seua incidència
en el canvi climàtic. El 92% de la població mundial s'enfronta diàriament a una mala qualitat de
l'aire i el 90% de les ciutats del món no compten amb suficients reglamentacions per a gestionar
aquest tema. L'estudi dels contaminants atmosfèrics ha sigut abordat des de diversos
enfocaments, però han sigut pocs els treballs destinats a la gestió de la qualitat de l'aire amb un
enfocament metodològic integrador.
Sobre la base d'això, l'objectiu d'aquesta tesi ha sigut elaborar una proposta metodològica per a
l'avaluació i gestió de la qualitat de l'aire des d'un enfocament de la ciència de dades. Aquest
enfocament contribueix en l'estudi de la qualitat de l'aire proporcionant una metodologia de
treball estructurada que organitza les etapes del procés analític, des de l'adquisició de dades de
diferents fonts fins a la producció d'informació per als usuaris finals.
La gestió de la qualitat de l'aire demanda un flux de treball dinàmic, on es prioritze la generació
de productes i la comunicació de resultats. Tenint això com a objectiu principal, es va elaborar
una metodologia que facilita la integració de les dades disponibles, sistematitza les preguntes més
rellevants, condensa els algorismes emprats en les anàlisis descriptives i predictives, i permet
generar mapes de risc contribuint a una ràpida i millor presa de decisions.
Per a validar aquesta proposta, es va aplicar la metodologia en tres casos d'estudi: la Comunitat
Autònoma de València (Espanya) que compta amb una extensa xarxa de monitoratge de la
qualitat de l'aire, la Ciutat de Buenos Aires (l'Argentina) amb tres estacions de monitoratge en la
seua zona central, i la ciutat de la Plata (l'Argentina) on no es compta amb un monitoratge continu.
En comptar amb diferent informació, es va avaluar la versatilitat de la metodologia per a adaptar-
se a diferents escenaris.
Els resultats van mostrar que l'enfocament esquemàtic proporciona ordre i flexibilitat en l'estudi
de la qualitat de l'aire. La utilització de preguntes d'investigació va simplificar notablement la
selecció d'algorismes per a l'anàlisi i l'abordatge de la interpretació dels resultats. Al seu torn, va
permetre diferenciar les preguntes que van ser originàries de l'estudi d'aquelles que van sorgir
després de l'anàlisi de les dades. Els algorismes seleccionats van resultar van complir amb els
objectius proposats.
Com a gran limitació per a l'anàlisi de la qualitat de l'aire es va trobar la falta de mesuraments
sistemàtics. Si bé les concentracions d'alguns contaminants es van modelar mitjançant l'ús de
variables mesures per teledetecció, es van precisar de mesuraments de camp per a validar les
simulacions. En aquest sentit, el diàleg efectiu entre la ciència i la gestió és un assumpte prioritari,
on la ciència ha de proporcionar eines innovadores per a avançar en el nivell de coneixement de
l'atmosfera i identificar els problemes i solucions que puguen sorgir, però és necessari donar un
marc polític que garantisca els fons econòmics per al seu estudi.
14
“Air is a shared resource.
Research and tools to make it safe to breathe
should be shared as well.”2
Prólogo
Sobre la ambición, los sueños, la ciencia y la innovación
La mala calidad del aire mata. Sin eufemismos ni alicientes. Una de cada ocho muertes en el
mundo ocurre a causa de la exposición a contaminantes atmosféricos. Esto es, un total de 4
millones de personas por año. La contaminación atmosférica es responsable del 34% de los casos
de cardiopatía isquémica, del 20% de los accidentes cerebrovasculares, del 18% de las
neumopatías obstructivas crónicas, del 7% de los casos de cáncer de pulmón, y del 3% de las
infecciones agudas de las vías respiratorias inferiores en menores [World Health Organization,
2016].
La mala calidad del aire mata más en los países subdesarrollados. El 87% de las muertes
relacionadas con la contaminación del aire se producen en países de bajos y medianos ingresos,
principalmente de Asia y África, seguidos por los países de la Región del Mediterráneo Oriental,
América y Europa [Hajat et al., 2015].
Sin embargo, la producción de contaminantes no es equitativa, son los países desarrollados
quienes más contaminan [World Health Organization, 2015, 2016]. Una serie de trabajos
muestran el alto nivel de desigualdad internacional en las emisiones de gases de efecto
invernadero per cápita y la gran importancia que tiene la desigualdad de ingresos en este aspecto
[Groot, 2010; Duro & Padilla, 2006].
El aire es un bien común que no se detiene en las fronteras, esto hace que la gestión del aire resulte
un asunto complejo con diversas aristas. Por un lado, la cuestión técnico-científica que limita la
generación de acciones preventivas o reparatorias. El estudio de la calidad del aire requiere
desarrollar distintos tipos de estrategias analíticas, donde cada escala de trabajo presenta
dificultades específicas por corresponder a un sistema caótico. Por otro lado, la escasa inversión
en capacitación y recursos informáticos que se destinada a personal de la administración pública
en la gestión ambiental imposibilita el aprovechamiento del conocimiento científico disponible
en el tema. Y sin información, no hay acción posible.
Frente a este escenario acuciante, resulta fundamental el rol de las universidades públicas de
generar conocimiento científico de calidad, otorgando herramientas confiables que faciliten las
tareas de gestión. Desde la Universidad Nacional de La Plata (Argentina) y la Universidad
2 “Filthy air is a global disgrace”. Nature 561, 285 (2018). doi: 10.1038/d41586-018-06731-4
Prólogo
15
Politécnica de Valencia (España), hacemos este pequeño aporte al conocimiento en este
campo. Esta tesis metodológica nace de la necesidad de atender un problema común, buscando
optimizar el uso de la información disponible. A partir de una serie de preguntas orientativas se
encaminará el abordaje para cada escenario de estudio analizando los datos disponibles; ya sea
que provengan de monitoreos terrestres sistemáticos o manuales u obtenidos mediante
teledetección.
El estudio de la calidad del aire y sus efectos en la salud pública resultan tópicos ampliamente
estudiados. Sin embargo, aún falta parte del recorrido que separa el conocimiento científico
básico de la aplicación tecnológica. Nuestro objetivo va en ese sentido: integrar distintas
herramientas que se encuentran en fases iniciales de desarrollo a un grado más complejo -con
más partes- pero, a la vez, más simple por estar más cerca del usuario final.
Una tesis metodológica en el estudio de la calidad del aire resulta un paso necesario para avanzar
en la implementación de una solución que pueda atender complejidades diversas. En esta tesis se
verán tres casos de aplicación: la Comunidad Valenciana (España) que cuenta con una extensa
red de monitoreo terrestre que cubre áreas bien diferenciadas; la Ciudad Autónoma de Buenos
Aires (Argentina) donde existen tres estaciones de monitoreo dentro del núcleo urbano; y la
ciudad de La Plata (Argentina) donde no existen monitoreos automáticos y sólo se cuenta con las
mediciones manuales del Centro de Investigaciones del Medioambiente. El desafío reviste
en poder generar una metodología versátil que se amolde a estas diferentes situaciones y que
además pueda ser adaptada a otras situaciones no contempladas en este trabajo.
Para alcanzar esta meta, se consideró fundamental incorporar distintas técnicas innovadoras. En
la selección de fuentes de datos se decidió incorporar el uso de imágenes satelitales, buscando
aprovechar la mejor resolución espacial y temporal disponible en la actualidad. El análisis de la
información se apoyó en la ciencia de datos, la geoestadística, la minería de datos y en los
conocimientos en inteligencia artificial. Finalmente, la integración de la información espacial se
realizó bajo el paradigma de los sistemas de información geográfica.
Toda esta labor se realizó con un uso exclusivo de datos abiertos provistos por la comunidad
científica y por organismos estatales. A su vez, se trabajó únicamente con software libre, tanto
para el análisis estadístico como para la confección de las cartografías. En complemento, todo lo
generado en el marco de esta tesis se pone a disposición del público, mediante el libre acceso en
el sitio: https://github.com/solrepresa.
Por ser una metodología de trabajo fácilmente adaptable y escalable, se cuenta con generar un
impacto positivo en el corto plazo. Esta tesis, además, presenta el análisis de los registros
históricos de la calidad de aire para tres grandes núcleos urbanos (Valencia, Buenos Aires y La
Plata), siendo insumos útiles de forma directa para las instituciones locales.
Se espera que tanto los análisis de casos particulares, como la metodología propuesta, sea
utilizada como recurso en la creación de futuras políticas públicas, en el desarrollo de nuevas
tecnologías o en la generación de nuevas investigaciones en salud. Construir conocimiento libre
con herramientas y datos abiertos también puede resultar un elemento central en la construcción
de una ciencia participativa, dando lugar a la intervención y control ciudadano en las políticas
ambientales.
Valencia, 13 de enero del 2019
Sol Represa
16
“Existe un juego de negociación
y finalmente de compromiso entre lo teóricamente deseable, lo metodológicamente posible y lo estratégicamente necesario.”
Rodrigo Marquez
Capítulo 1
Introducción General
Los efectos negativos en la salud pública que causa la exposición a contaminantes atmosféricos
son bien conocidos, estos pueden aparecer de forma directa en el corto o el largo plazo [Rückerlet
al., 2011; Weinmayr et al., 2009; Lippmann, 2014] o de forma indirecta, a través de su incidencia
en el cambio climático [Charlson y Hofmann, 1992; Dickerson et al., 1997; Ramanathan, 1985].
Sin embargo, el 92% de la población mundial se enfrenta diariamente a una mala calidad del aire
y el 90% de las ciudades del mundo no cuentan con reglamentaciones completas para gestionar
este tema [World Health Organization, 2016 b].
El estudio de la calidad del aire ha sido abordado desde distintos enfoques: diseño de redes de
monitoreo [Marć et al., 2015], elaboración de inventarios de emisiones [Gulia et al., 2015; Van
Fan et al., 2018], confección de modelos espaciales para predecir los niveles en áreas donde no se
realizan mediciones [Venkatram, 2015], estudios epidemiológicos [Mannucci et al., 2015],
modelos matemáticos para la predicción en el corto plazo [Li et al., 2016]. Sin embargo, son muy
pocos los trabajos destinados a la gestión de la calidad del aire con un enfoque metodológico
integrador [Harrop, 2018].
Gestionar no solo requiere un conocimiento pormenorizado del fenómeno con el cual se trabaja
sino, también, contar con estrategias que sirvan para optimizar los recursos disponibles,
brindando la mejor solución posible en el menor tiempo de respuesta [Shaddick et al., 2018]. La
gestión ambiental, por tanto, tiene como desafío transformar los datos duros, generalmente
cuantitativos, en datos cualitativos, reconociendo particularidades y aportando una mirada más
comprensiva (y menos explicativa) sobre el fenómeno en estudio. Esto requiere la internalización
de una gran cantidad de datos para generar información de fácil interpretación que conduzca y
refuerce la toma de decisiones.
La falta de información en contraposición con la gran cantidad de datos, los intereses políticos y
económicos, los compromisos internacionales, la presión demográfica, la expansión de las áreas
urbanas y la salud de la población son algunos de los puntos por donde pivota la toma de
decisiones en la administración. A su vez, la inversión se retrasa cuando no hay planes
establecidos y garantías claras de los beneficios que pueda traer el destino de recursos -humanos
y económicos- en un tema que no genera controversias y, por tanto, no aparenta requerir medidas
urgentes.
Introducción general
17
Como una serpiente que muerde su propia cola, la maraña de acciones desincronizadas que llevan
las administraciones solo empeora el escenario socioambiental, repercutiendo aún más
fuertemente en países periféricos. Si no se destinan fondos para monitorear, se desconoce el
verdadero impacto de la contaminación sobre la salud de la población. Otras veces, se destinan
fondos para el monitoreo, pero no se capacita a los operarios para el análisis de los datos. Se
elaboran complejos informes que resultan obsoletos a los pocos meses de su publicación sin
aportar conocimiento nuevo a la población. A su vez, la falta de aprovechamiento de las redes de
monitoreo conlleva a que se desvíen los fondos para mantenerlas. Y con el tiempo, las redes se
desmiembran, resultando imposible evaluar cómo evolucionó la calidad del aire desde el último
informe realizado.
Como consecuencia, la desinformación genera miedo y desconfianza en la población. Las
personas se oponen sin fundamentos precisos tanto a la generación de un carril bici (bici senda)
como a la instalación de una industria. La opinión pública se dirime entre las comodidades de la
ciudadanía, dificultando todo tipo de gestión conciliatoria que vele por el bien común.
Por último, la falta de información oficial repercute directamente sobre el resto de los organismos
estatales. Los especialistas en salud no cuentan con información histórica para realizar estudios
epidemiológicos o diseñar políticas públicas acordes a la realidad del territorio. Los funcionarios
no pueden sopesar críticamente las alternativas frente a un proyecto ingenieril con impacto
ambiental porque les faltan indicadores del estado de la situación.
La OMS ha titulado “el asesino invisible” a su última campaña de prevención contra los efectos de
los contaminantes atmosféricos por la elevada capacidad de daño a la salud que generan y el gran
desconocimiento que se les tiene. Gestionar en función de reducir los niveles de los contaminantes
atmosféricos es prevenir muertes y mejorar la sobrevida de las personas, en particular, de los
grupos de riesgo, como niños y niñas y adultos y adultas mayores.
Para conocer la calidad del aire hace falta un monitoreo sistemático y contar con modelos
matemáticos que permitan inferir las concentraciones en las áreas donde no se monitorea. Sin
embargo, cuando existen redes de monitoreo de la calidad de aire, pocas veces se integra esa
información para brindar un servicio acabado al ciudadano. Esto conlleva a la falta de apropiación
de la problemática y a una subestimación del riesgo, dificultando la ejecución de medidas
preventivas o reparatorias.
Los modelos más utilizados para evaluar la calidad del aire de forma diaria son complejas
simulaciones que se apoyan en las predicciones atmosféricas a escala global. Estos modelos tienen
la desventaja de presentar una resolución espacial de meso escala, dificultando su uso en áreas
urbanas donde los mecanismos de transporte de los contaminantes dependen, en gran parte, del
uso del suelo [Xie et al., 2017]. Por otro lado, existen modelos de microescala, que por su
naturaleza matemática requieren una gran cantidad de datos de entrada y una elevada capacidad
de cálculo. Estos modelos se utilizan en situaciones concretas de desastres o evaluaciones de
riesgo, pero no son propicios para un uso diario [Xie et al., 2017].
En ambos casos, los resultados que se obtienen siguen el mismo destino que los datos provistos
por las redes de monitoreo: no se integran con la información de otras fuentes dificultando su
interpretación para un público general. El usuario final suele ser un comité técnico que examina
las concentraciones generadas por el modelo y evalúa el acatamiento de la norma, sin considerar
los riesgos asociados independientemente de la violación de los valores legales. La falta de un
método de trabajo que englobe y sintetice las diferentes técnicas de análisis de datos de
Capítulo 1
18
contaminantes atmosféricos, dificulta aún más la tarea de comunicar de forma intuitiva a un
público no especializado.
Es por esto que en esta tesis se desarrolla una Propuesta para la Evaluación de la Calidad del
Aire (PECA), con el fin de brindar un conjunto de herramientas que permitan analizar la calidad
del aire y generar mapas de los niveles de exposición a los contaminantes atmosféricos y del riesgo
asociado mediante el aprovechamiento de la información satelital, y haciendo uso de las
mediciones disponibles en cada sitio.
La selección del mapa como instrumento no es inocente. El mapa funciona como plataforma para
repensar el territorio y redefinirlo. La representación espacial facilita su interpretación, y aporta
una narrativa sobre los eventos que suceden, ya no de forma aislada, sino atravesados por la
identificación de las áreas conocidas, las experiencias de vida, los valores y costumbres, y la propia
historia personal y colectiva [Harley, 2018].
En la era de la información, resulta crucial el aprovechamiento de las oportunidades tecnológicas
como son la minería de datos, la teledetección y el uso de sistemas de información geográfica para
encarar esta problemática. En este sentido, esta tesis provee una guía para ayudar a las agencias
ambientales y organizaciones sociales a evaluar el funcionamiento de las redes de monitoreo de
calidad de aire, desarrollar y operar modelos matemáticos de calidad de aire basados en imágenes
satelitales, y evaluar e informar los resultados obtenidos en función de los riesgos asociados a la
salud.
Finalmente, el método propuesto se aplicará en tres casos de estudio reales para poder realizar su
evaluación: la Comunidad Autónoma de Valencia (España) que cuenta con una extensa red de
monitoreo de la calidad del aire, la Ciudad Autónoma de Buenos Aires (Argentina) con tres
estaciones de monitoreo en su zona central; y el Partido de La Plata (Argentina) donde no se
cuenta con un monitoreo continuo.
Como características generales, se buscó incorporar algoritmos con una matemática simple que
no requieren grandes tiempos de procesamiento y permiten un uso intensivo de los datos
disponibles. A su vez, se buscó mantener una estructura modular para poder cubrir distintas
realidades, que fuese de fácil integración con los modelos en funcionamiento (no excluyente),
escalable a nuevas fuentes de información, útil en cada fase de su aplicación, fácil de implementar,
robusta en bibliografía científica y libre, haciendo uso de herramientas open-source y open-data.
1.1. Objetivo general
El objetivo general que persigue esta tesis es elaborar una propuesta metodológica para la
evaluación y gestión de la calidad del aire mediante el enfoque de la ciencia de datos.
La adquisición de información de los datos masivos es clave para la construcción de instituciones
más eficientes y eficaces en la toma de decisiones. Por ello, esta tesis busca aportar una
metodología basada en el conocimiento científico que permita generar un flujo de trabajo
dinámico el cual incluya la selección de las fuentes de datos, la sistematización de las preguntas
más relevantes, la selección de mejores métodos actuales y la presentación de resultados.
Introducción general
19
Objetivos específicos
• Identificar las principales fuentes de información para estudiar la calidad del aire.
• Determinar las preguntas más relevantes en la evaluación de la calidad del aire.
• Generar una metodología que permita la integración de múltiples fuentes de información.
• Estudiar las redes de monitoreo de la calidad del aire.
• Confeccionar mapas de concentración de contaminantes mediante el uso de imágenes
satelitales.
• Aplicar un índice de calidad del aire para las zonas de estudio.
• Evaluar escenarios de riesgo por exposición a los contaminantes presentes y su impacto
en la salud pública.
• Construir mapas de riesgo por exposición a contaminantes atmosféricos.
• Generar informes de la calidad del aire para los distintos sitios de aplicación de la
metodología
1.2. Estructura
En el Capítulo 2 se encuentra el marco teórico de este estudio, donde se describen aspectos
relacionadas a la problemática de la calidad del aire y a las principales tecnologías para su
monitoreo. Se describe la estructura de la atmósfera y su dinámica, los procesos químicos, las
fuentes principales de emisiones de contaminantes y cómo influyen las condiciones
meteorológicas. Se presentan los principales estudios sobre los efectos en la salud producidos por
la contaminación atmosférica y las estrategias para el monitoreo de la calidad del aire. Tras esto,
se detallan brevemente los modelos de calidad del aire, determinísticos y estocásticos, y de riesgo
para poner en contexto el trabajo.
La propuesta metodológica se presenta en el Capítulo 3. En este capítulo se propone una
metodología sistemática de análisis de los datos de calidad de aire. Se identifican las principales
preguntas de trabajo y las fuentes de información más utilizadas. Tras esto, se recopilan los
algoritmos de análisis utilizados en el estudio de la calidad del aire, tanto en análisis descriptivos
como predictivos. Finalmente, se resumen los mecanismos de evaluación de modelos y se
presentan diferentes estrategias para generar reportes y visualizaciones.
En los Capítulos 4, 5 y 6 se aplica la metodología de trabajo en las tres áreas y se presentan los
resultados obtenidos para cada caso de estudio. Como cierre, en el Capítulo 7, se hace una
evaluación de la metodología propuesta y se da una discusión respecto a las ventajas y
limitaciones que se han encontrado en cada caso. A su vez, en este capítulo se proponen una serie
de acciones para mejorar la gestión de la calidad del aire.
20
“Clean air is considered to be
a basic requirement of human health and well-being.
However, air pollution continues to pose a significant threat to health worldwide”
World Health Organization, 2005b.
Capítulo 2
Marco teórico
1. La gestión de la calidad del aire
Las consecuencias de la acción directa de la humanidad sobre el planeta son visibles a distintas
escalas [Paul & Meyer, 2001; Kalnay & Cai, 2003]. El uso extensivo del petróleo como principal
fuente de energía, la producción y el consumo desmedido de productos para sostener la economía
global, y la intervención sin reparos sobre los ecosistemas han provocado cambios evidentes en el
planeta [McKinney, 2002; Paul & Meyer, 2001] conduciendo a la humanidad a la necesaria e
inminente obligación de intervenir de forma activa para contrarrestar el daño causado [Stern,
2007; Grimm et al., 2008].
La presencia de contaminantes atmosféricos provoca una alteración en el balance radiativo de la
Tierra conduciendo a un cambio en el clima a nivel global [Brasseur & Prinn, 2003; Davis, 1997].
En los últimos años, se ha demostrado que la temperatura de la superficie terrestre ha aumentado
de forma sostenida poniendo en riesgo innumerables ecosistemas junto a su diversidad biológica
[Adams et al., 1998; Jacobson, 2002]. Las predicciones no son optimistas. Se estima que las
pérdidas de las áreas cultivadas serán entre un 10% y un 40% para los próximos 10 años, según el
modelo matemático que se considere, sin contar las pérdidas producidas por los fenómenos
extremos o por los efectos indirectos en la agricultura (sequías, inundaciones, plagas y patógenos
y aumento de las tasas de degradación del suelo) [Adams et al., 1998].
Como respuesta, los Estados han celebrado una serie de acuerdos internacionales para controlar
las emisiones de contaminantes a la atmósfera, como son la Convención Marco de las Naciones
Unidas sobre el Cambio Climático (1992), el Protocolo de Kioto (1995), el Acuerdo de París (2015),
entre otros. Los acuerdos internacionales son de obligatorio cumplimiento, debiendo los países
firmantes alcanzar ciertos objetivos en función de sus situaciones económicas particulares [Eritja,
2007]. Este interés internacional promueve acciones específicas locales, aunque muchas veces
estas medidas no son prioritarias para los gobiernos [Reichert, 2003].
Gozar de un ambiente sano y equilibrado es un derecho humano y debemos velar por su
protección [Gibson, 1990; Hancock, 2003]. En particular, es bien sabido que la mala calidad del
aire afecta a la salud. En octubre de 2013, la agencia especializada en cáncer de la OMS, la Agencia
Internacional de Investigación sobre el Cáncer (IARC), clasificó la contaminación del aire como
un agente carcinogénico para los seres humanos, considerándola un grave problema de salud
Marco teórico
21
ambiental. Basado en la revisión independiente de más de mil estudios epidemiológicos de gran
envergadura, la evaluación de la IARC mostró un aumento del riesgo a padecer cáncer de pulmón
frente a niveles crecientes de contaminantes atmosféricos [Loomis et al., 2013].
La gestión del territorio está estrechamente ligada a la calidad del aire [Davis, 1997; West, 2013].
Por la alta densidad de actividades antrópicas contaminantes en las ciudades, la polución del aire
es, principalmente, un problema urbano [Monks et al., 2009]. A medida que la población se
concentra en las ciudades [WHO, 2015], mayor es la población expuesta. Mientras más del 50%
de la población mundial se concentra en asentamientos urbanos, el 80% de estos presenta niveles
nocivos de contaminantes atmosféricos [World Health Organization, 2019; Osseiran &
Chriscaden, 2016].
Si bien todas las personas se ven afectadas en algún modo por la mala calidad del aire, la
exposición a los contaminantes atmosféricos no es equitativa. Es la población más empobrecida
quien soporta la mayor carga de contaminantes [World Health Organization, 2016; Mitchell et
al., 2015], tanto en el vecindario donde viven como en los lugares de trabajo [Evans & Kantrowitz,
2002; Deguen & Zmirou-Navier, 2010; Næsset al, 2007; Wang et al., 2016]. Como contrapunto,
los sectores desfavorecidos generan una menor proporción de emisiones por persona y presentan
una menor posibilidad de movilidad, ya que se encuentran más limitados para alejarse de la
contaminación, por ejemplo, mudándose de domicilio [Mitchell et al., 2015; World Health
Organization, 2016 b].
A su vez, hay grupos específicos de la población, como ancianos y ancianas, niños y niñas, y
personas con afecciones respiratorias o cardiovasculares preexistentes, que tienen una mayor
probabilidad de presentar enfermedades por los contaminantes del aire [Deguen & Zmirou-
Navier, 2010; Peled, 2011; Wang et al., 2016; World Health Organization, 2016 b; Pope 3rd,
2000], lo que aumenta la desigualdad en materia de salud.
La gestión de la calidad del aire busca la adecuación de los niveles de contaminación atmosférica,
cualesquiera que sean las causas que la produzcan, a fin de garantizar que no se generen molestias
graves o daños inmediatos o diferidos, para las personas y para los bienes de cualquier naturaleza.
Gestionar la calidad del aire es, por tanto, gestionar el riesgo [World Health Organization, 2016
b]. Esto es, sopesar las opciones, analizar las alternativas, evaluar las pruebas y las
incertidumbres, y tener en cuenta las opiniones de los grupos de interés y las partes interesadas
en la formulación de políticas [Prüss-Üstün et al., 2016; Longhurst et al., 2006].
Sin embargo, nada de esto es posible sin información precisa y confiable que dé cuenta del estado
de la calidad del aire. No se puede gestionar sin conocer los niveles de los contaminantes en la
atmósfera y sin contar con herramientas que permitan evaluar la evolución, espacial y temporal
de la contaminación frente a los cambios económicos y sociales que se dan en el
territorio. Lamentablemente, los países más afectados por la contaminación del aire presentan el
monitoreo de la calidad del aire más limitado [Petkova et al., 2013; Sulemana, 2012; Baldasano
et al., 2003; Sammarco et al., 2017]. Según World Health Organization [2019], el 97% de las
ciudades de los países de ingresos bajos y medios con más de 100.000 habitantes no cumplen las
directrices de la OMS sobre la calidad del aire.
Un factor que podría explicar la baja inversión en el monitoreo de la calidad del aire es que las
mediciones de contaminantes sólo tienen valor por el conocimiento que aportan a la creación e
implementación de políticas públicas que generen mejoras para la sociedad [Zhang et al., 2012].
La falta de habilidades técnicas para el tratamiento de grandes volúmenes de datos, el
Capítulo 2
22
desconocimiento de algoritmos específicos para el análisis de las medidas o presentar problemas
para sintetizar la información y elaborar informes son algunas de las dificultades que se pueden
presentar en la administración pública [Sammarco et al., 2017; Amegah & Agyei-Mensah, 2017].
Esto no solo limita la generación de información sino también la posibilidad de comprender el
potencial que estos datos tienen para la prevención, respuesta y mitigación del riesgo asociado a
la exposición de una mala calidad del aire.
2. La complejidad del estudio de la calidad del aire
Procesos químicos y físicos que ocurren en la superficie de la Tierra pueden alterar la composición
de la atmósfera. Las emisiones, el transporte, la vida media de los contaminantes y el destino de
las sustancias tienen un fuerte impacto sobre las concentraciones de los compuestos químicos
presentes en el aire y sobre la calidad del aire que respiramos [Wang et al., 2016]. A su vez, estas
sustancias sufren transformaciones químicas por reacciones entre ellas o por la acción de la luz
solar, generando nuevos compuestos. La calidad del aire es, por tanto, un fenómeno complejo que
depende de múltiples factores, naturales y antrópicos [Mayer, 1999].
La complejidad de un fenómeno o sistema radica en dos dimensiones: la variedad de los eventos
inherentes al problema bajo análisis y su aleatoriedad, es decir, la incertidumbre acerca del modo
en que se desenvolverá en el futuro [Downey, 2018]. Los fenómenos o sistemas complejos se
caracterizan por la confluencia de múltiples procesos cuyas interrelaciones constituyen la
estructura de un sistema que funciona como una totalidad organizada [Ortegón, 2007; Soler,
2017].
En esta sección se desarrollarán algunas cuestiones descriptivas respecto a la dinámica y
composición de la atmósfera, para facilitar la comprensión y lectura de este trabajo de
investigación. No se pretende realizar un análisis exhaustivo, por el contrario, solo se presentarán
los principales fenómenos que aportan al entendimiento del sistema.
2.1 La atmósfera y su dinámica
La atmósfera es la capa gaseosa que rodea nuestro planeta. La estimación de su ancho oscila entre
los 50-80 km, insignificante frente a los 12 mil km que presenta el diámetro de la Tierra. Sin
embargo, tiene una gran importancia en los ciclos biogeoquímicos, donde funciona como
sumidero de distintos elementos, como el C y el N [Arya, 1999].
La atmósfera es una mezcla de gases y partículas que se mantienen cercanas a la superficie
terrestre, principalmente, por la atracción de la fuerza gravitatoria que ejerce el planeta. Si
observamos las funciones de estado que gobiernan el comportamiento de esta masa de aire,
podemos ver que la presión disminuye a medida que nos alejamos de la Tierra, al igual que el
número de partículas por unidad de volumen [Seinfeld & Pandis, 2016]. De esta forma, la
atmósfera resulta un sistema físico continuo, donde la cantidad de materia tiende a disminuir a
medida que nos alejamos de la superficie terrestre [Arya, 1999].
Marco teórico
23
Por su parte, el gradiente de temperatura vertical muestra un comportamiento particular,
vinculado con los fenómenos físicoquímicos que suceden a distintas alturas [Finlayson-Pitts &
Pitts, 1999]. La capa más baja de la atmósfera, la tropósfera, se caracteriza por el descenso de la
temperatura con la altura (Figura 1). Esta disminución continúa hasta alcanzar la estratósfera
(capa ubicada entre los 45 a 55 km de altitud) donde se invierte el perfil térmico y la temperatura
aumenta con la altitud. La estructura térmica vertical de la estratósfera es el resultado de la
absorción de la radiación solar ultravioleta [Finlayson-Pitts & Pitts, 1999] que provoca reacciones
de fotodisociación y fotoionización, principalmente.
Figura 1. Perfil térmico de la atmósfera y de la tropósfera a distintas horas del día.
La atmósfera, por tanto, es un sistema abierto que mantiene un intercambio radiativo con la
Tierra y el espacio. El Sol se comporta prácticamente como un cuerpo negro, emitiendo energía a
longitudes de onda entre los 250 y 2500 nm. En la Figura 2, se puede apreciar el espectro de
emisión de un cuerpo negro a 5250º (línea continua negra) y el espectro de emisión del Sol en
amarillo, los cuales se solapan en gran medida. También, se puede apreciar la irradiancia medida
al nivel del mar en color rojo, es decir, la energía que llega a la superficie terrestre por unidad de
área. Esta diferencia entre la potencia radiativa al tope de atmósfera (TOA, del inglés top of
atmosphere) y la potencia radiativa a la altura del mar se debe a la interacción entre la energía
proveniente del sol y las sustancias presentes en la atmósfera.
Capítulo 2
24
Figura 2. Alveolo atmosférico. Espectro de emisión de un cuerpo negro a 5250º (línea continua negra), radiación solar al TOA (amarillo), radiación a nivel del mar (rojo) [Modificado de Seinfeld & Pandis, 2016]
Cuando la radiación del sol pasa a través de la atmósfera, la energía incidente se modifica tanto
en intensidad como en su distribución espectral. Por un lado, esto se debe a la absorción de la luz
por parte de las moléculas presentes, provocando fotodisociación, reordenamientos
intramoleculares, fotoisomerización, fotodimerización, entre otras reacciones posibles [Seinfeld
& Pandis, 2016]. Y también se observan fenómenos de dispersión de la radiación solar, dispersión
de Mie y/o Rayleigh, dependientes de la relación del tamaño de las partículas con la longitud de
onda incidente [Seinfeld & Pandis, 2016].
La presencia de partículas en la atmósfera provoca la dispersión de la luz solar (Figura 3).
Cuando la dispersión está generada por moléculas o aerosoles menores que la longitud de onda
incidente se conoce como dispersión de Rayleigh, donde se altera la frecuencia y la dirección del
haz de luz (favoreciendo las ondas cortas). Mientras que la dispersión de Mie ocurre cuando la
dispersión es provocada por aerosoles de tamaño próximos o mayores a la longitud de onda de la
radiación incidente, provocando un aumento de la intensidad de la radiación (más brillo). La
dispersión producida por las partículas es el proceso de atenuación de la radiación solar más
importante, seguido, en orden, por la absorción de partículas, la absorción de gases y la dispersión
de gases [Jacobson, 2005].
Figura 3. Fenómeno de dispersión de a) Rayleigh y b) Mie
Marco teórico
25
La sección inferior de la tropósfera se conoce como la capa límite atmosférica que, por estar en
contacto con la superficie terrestre, se encuentra fuertemente influenciada por los efectos
superficiales, como la transferencia radiativa, los efectos de la fricción por arrastre, la
evapotranspiración y las modificaciones surgidas por la rugosidad del terreno [Garratt, 1994].
Para nuestro estudio en la calidad del aire nos centraremos en esta capa, la cual se caracteriza por
un flujo turbulento con una alta capacidad de mezcla.
La capa límite atmosférica presenta cambios a lo largo del día debido a los procesos promovidos
por el calentamiento solar de la superficie terrestre. Durante el día, el calentamiento del suelo
provoca un aumento de temperatura de las capas más bajas de aire, las cuales se expanden
disminuyendo su densidad, provocando el movimiento convectivo ascendente del aire. Al
ascender, los volúmenes de aire se enfrían hasta alcanzar un equilibrio isocinético. Este fenómeno
provoca una mezcla de los componentes troposféricos en un área vertical denominada “capa de
mezcla”.
Con la puesta del sol la capa de mezcla desaparece abruptamente debido a la baja capacidad
calorífica del suelo. Por las noches, la superficie terrestre es fría en comparación con las capas
altas atmosféricas, provocando una inversión del gradiente térmico que se ve durante el día. Esto
crea una zona estable restringiendo el transporte de los contaminantes hasta alturas más
elevadas, que se traduce en un descenso de la altura de la capa límite [Mahlman, 1997].
Todos estos movimientos y transformaciones hacen que las concentraciones de los componentes
de la atmósfera no sean constantes en el tiempo ni uniformes en el espacio. Sin embargo, los
principales componentes químicos que pueden hallarse en la tropósfera se mantienen
relativamente constantes, como el N2, O2, Ar, variando solo aquellos que aparecerán en nivel de
trazas (ppm, partes por millón o ppb, partes por billón).
Ya sean naturales o artificiales, las sustancias emitidas a la atmósfera pueden reaccionar
modificando su estado físico (gas, líquido o sólido) y/o químico. Los productos de transformación
pueden diferir de los compuestos originales en sus propiedades químicas, toxicidad u otras
características. Incluso, estas nuevas sustancias pueden ser retiradas de la atmósfera por
fenómenos muy diferentes al de sus precursores [Seinfeld & Pandis, 2016]. Estas particularidades
dificultan el estudio cualitativo y cuantitativo de la calidad del aire, requiriendo de un conjunto
de técnicas diversas para su evaluación y pronóstico.
2.2 Contaminación del aire, efectos en la salud y aspectos legales
La tropósfera se encuentra fuertemente influenciada por la acción humana [Garratt, 1994]. Por
su cercanía, la emisión de sustancias químicas a la atmósfera altera su composición, provocando
un aumento de las concentraciones de los compuestos que se encuentran naturalmente presentes
o la incorporación de sustancias exógenas. Este corrimiento del estado “puro” o “natural” es el
principal indicador de una situación de contaminación.
Si bien la presencia de nuevas sustancias químicas hace de esta la situación más peligrosa para el
medio ambiente, una importante área de la química se especializa actualmente en este campo
reduciendo el riesgo. Tras el daño provocado por los clorofluorocarbonos a finales del siglo
pasado, se cuenta con un mayor estado de consciencia respecto al efecto negativo que puede
Capítulo 2
26
provocar la liberación masiva de sustancias químicas, mejorando los controles necesarios para su
utilización [Bostrom et al., 1994].
Como estrategia para monitorear la calidad del aire a nivel global, se ha planteado el control de
algunas especies químicas que naturalmente están presentes en la tropósfera y que resultan
buenos indicadores de contaminación cuando se encuentran a niveles elevados [World Health
Organization, 2005; Krzyzanowski & Cohen, 2008]. Estos son los llamados contaminantes
criterio: PM, NO, NO2, CO, O3 y SO2. Un exceso de estos da cuenta de una situación de riesgo para
la población y al ambiente [Krzyzanowski & Cohen, 2008]. En el Cuadro 1 se detallan algunas
características de estos contaminantes.
Cuadro 1. Contaminantes criterio. Características principales, fuentes de origen y efectos a la salud
Ozono, O3
El O3 constituye menos del 0,001% v/v del aire, pero es uno de los componentes más importantes
de la atmósfera por su alta reactividad. Mientras que el O3 presente en la estratósfera protege la
biósfera absorbiendo la radiación ultravioleta de alta energía, en la tropósfera tiene un impacto
negativo en la salud humana, el clima, la vegetación y los materiales [Pires et al., 2008]. Su
presencia en la tropósfera se debe mayoritariamente al ciclo de reacciones fotoquímicas que
incluyen los compuestos orgánicos volátiles (COVs) y los óxidos de nitrógeno (NOx).
El O3 o sus precursores pueden ser transportados por grandes distancias, afectando a zonas
alejadas de la fuente. Los efectos sobre la salud, debidos a una exposición excesiva al O3, afectan
esencialmente al aparato respiratorio y a los ojos [Brunelli et al., 2007].
Óxidos de nitrógeno, NOx (NO + NO2)
Los óxidos de nitrógeno (NOx), el óxido nítrico (NO) y el dióxido de nitrógeno (NO2), son un grupo
de gases altamente reactivos relacionados con los procesos de quema de los combustibles fósiles.
Fuentes naturales son los procesos biológicos anaeróbicos en el suelo y el agua, la actividad
volcánica y la destrucción fotoquímica de los compuestos de nitrógeno en la atmósfera superior
[Pires et al., 2008; Brasseur & Prinn, 2003].
Mientras que el NO es la forma primaria de producción, el NO2 representa un contaminante
secundario que deriva de la oxidación del NO en la tropósfera. Asimismo, constituye un
contaminante intermedio para la producción de otros contaminantes como el O3, el ácido nítrico
y el ácido nitroso, con un papel fundamental en la formación del smog fotoquímico [Chameides &
Walker, 1973, Pires et al., 2008b].
Distintos estudios epidemiológicos han informado de asociaciones entre el NOx y los efectos
adversos para la salud, como accidentes cerebrovasculares e infartos de miocardio [Hashim et al.,
2004; Kalabokas et al., 2002; World Health Organization, 2000].
Marco teórico
27
Dióxido de azufre, SO2
El SO2 se libera de los procesos de combustión que utilizan combustibles fósiles en los que el azufre
está presente como impureza o de la industria metalúrgica. Las fuentes antrópicas más
importantes del SO2 son los equipos de calefacción domésticos y la contribución del tráfico
vehicular (especialmente en el caso de los vehículos con motor diesel). Como fuentes naturales
podemos identificar el sulfuro de dimetilo (DMS) proveniente del mar, que se oxida para formar
SO2 [Pires et al., 2008], y las erupciones volcánicas. El SO2 puede oxidarse para formar ácido
sulfúrico, el cual es un precursor de la formación de aerosoles [De Leeuw et al., 2011].
El SO2 en altas concentraciones es un irritante del sistema respiratorio, provocando limitaciones
en el flujo de aire. En algunos estudios el SO2, los sulfatos y los aerosoles ácidos se han asociado
con un aumento de las visitas de emergencia y hospitalizaciones por asma [Kampa & Castanas,
2008].
Material particulado, PM10 y PM2.5
PM es el término genérico utilizado para los aerosoles atmosféricos, una mezcla compleja y variable
de partículas suspendidas en el aire que varían en tamaño y composición, y que son producidas
por una amplia variedad de actividades naturales y antropogénicas [Kampa & Castanas, 2008].
Los aerosoles troposféricos pueden ser introducidos en la tropósfera desde la superficie o pueden
formarse mediante reacciones entre los componentes gaseosos de la atmósfera [Seinfeld & Pandis,
2016].
El tamaño de las partículas puede variar. Las partículas finas y ultrafinas (PM < 2.5 μm) son
capaces de llegar a los alvéolos pulmonares y al torrente sanguíneo tras ser inhaladas. Se ha
demostrado que existe una relación directa entre la exposición a las partículas en suspensión y el
aumento de la mortalidad diaria y anual [World Health Organization, 2018]. Es por esto que la
Agencia Internacional para la Investigación del Cáncer (IARC, del inglés International Agency for
Research on Cancer) concluyó en 2014 que la exposición a PM es cancerígena para los seres
humanos (IARC Grupo 1) causando cáncer de pulmón [Hamra et al., 2014].
Una gran cantidad de actividades antrópicas generan aerosoles, siendo las más peligrosas las
emisiones de los vehículos, la combustión del carbón y una variedad de procesos industriales, como
la metalurgia y la fundición, que generan partículas con metales pesados absorbidos.
Si bien los aerosoles son un componente menor de la atmósfera, presentan un efecto importante
en el balance radiativo del sistema climático, comparable con los gases de efecto invernadero
[Stocker et al., 2013, Dickerson et al., 1997].
Monóxido de carbono, CO
El CO proviene principalmente del transporte vehicular, y en menor medida de las calderas de
vapor, los procesos industriales, la eliminación de residuos sólidos y otras fuentes diversas [Levy,
2015].
Su mecanismo de acción en el cuerpo humano está bien identificado. Cuando se inspira, el CO se
difunde rápidamente a través de la membrana capilar alveolar y se une a la hemoglobina, formando
carboxihemoglobina (COHb) [Smithline et al., 2003], lo que provoca un deterioro inmediato en la
entrega de oxígeno a los tejidos provocando hipoxia tisular [Gorman et al., 2003].
Capítulo 2
28
En este sentido, se habla de una buena calidad del aire cuando las concentraciones de los
contaminantes son seguras para la población, estableciéndose márgenes de confianza para
delimitar las cotas máximas aceptables. Estos valores surgen de una extensa bibliografía en
estudios epidemiológicos que sirvieron para determinar las concentraciones mínimas a la cual la
salud de las personas no se ve afectada por estos compuestos [Kampa & Castanas, 2008; World
Health Organization, 200b]. En la Tabla 1 puede observarse los niveles guías actualmente
recomendados OMS para las distintas especies químicas.
Tabla 1. Niveles guías recomendados para cada contaminante.
Contaminante Período temporal Concentración
PM2.5
1 año 10 µg.m-3
24 h (percentil 99) 25 µg.m-3
PM10
1 año 20 µg.m-3
24 h (percentil 99) 50 µg.m-3
Ozono, O3 8 h, máximo diario 100 µg.m-3
Dióxido de nitrógeno, NO2
1 año 40 µg.m-3
1 hora 200 µg.m-3
Dióxido de sulfuro, SO2
24 horas 20 µg.m-3
10 minuto 500 µg.m-3
Monóxido de carbono, CO
24 horas 6 mg.m-3 (5 ppm)
1 hora 30 mg.m-3 (25 ppm)
Las investigaciones han mostrado que para algunos contaminantes existe un valor umbral a partir
del cual se observan efectos a la salud. Sin embargo, otros contaminantes, como el PM, son
nocivos desde pequeñas cantidades debiéndose fijar los valores de riesgo aceptable [World Health
Organization, 2005].
Marco teórico
29
2.3 Entre la legalidad y la seguridad ambiental
Los parámetros de calidad del aire establecidos por la OMS sirven como niveles guías para
garantizar la protección de la población, pero estos no son de cumplimiento obligatorio por los
Estados. En cada territorio se deben sancionar leyes que reglamenten los límites legales de los
contaminantes en el aire. Estas leyes no siempre existen y cuando existen, no siempre se
encuentran conforme los valores recomendados por la OMS [Vahlsing & Smith, 2012].
Las normativas son una expresión del contrato social entre el Estado y la ciudadanía, donde se
busca ofrecer igual protección a todas las personas [Wang et al., 2016]. En su generación se pone
en tensión distintos intereses políticos, sociales y económicos que, incluso en ciertos casos,
pueden generar escenarios de conflicto, donde accionar sobre los agentes causantes de la
contaminación implica perjudicar económicamente al sistema productivo [Amann et al., 2004],
afectando de forma indirecta a la población que se busca proteger.
Nuevamente, este análisis no puede ser acotado a un campo de estudio o insensible a las distintas
realidades que se presentan. En el territorio se produce la síntesis de todas las variables
socioeconómicas y ambientales que determinan las desigualdades, generando complejos
escenarios de vulnerabilidad social [Adger et al., 2007]. El territorio pasa a ser un determinante
de la salud de la población, donde garantizar la seguridad implica, entre otras cosas, proveer un
ambiente sano para el ejercicio y la recreación de la comunidad [Mitchell et al., 2015].
Pese a las dudas que pueden aparecer en la casta política, distintos estudios han demostrado que
la intervención estatal en materia de calidad de aire genera beneficios económicos a largo plazo
[Olsthoorn et al., 1999; Winiwarter & Klimont, 2011; Voorhees, 2005]. Es por ello que frente a los
peligros que corre la población y el ambiente resulta importante obtener una buena
caracterización del riesgo para tomar medidas basadas en el conocimiento.
3. El riesgo a la salud
En un esquema simplificado, la noción de riesgo puede definirse por dos aspectos bien
diferenciados. Por un lado, el peligro que es la probabilidad de que ocurra un evento extremo, el
cual viene determinado por las características de la amenaza o agente accionante. Por el otro, la
vulnerabilidad que da cuenta del grado de susceptibilidad que tiene la población de ser afectada
por la amenaza [Pizarro, 2001].
Para analizar el riesgo es necesario determinar la frecuencia con la que se producen eventos
catastróficos y la magnitud de sus consecuencias [Kasperson et al., 1988]. La evaluación del riesgo
es, por tanto, una construcción social, histórico-cultural, generada a partir de las percepciones del
daño ocurrido [Natenzon, 2003].
Desde esta perspectiva, el nivel del riesgo no está sólo determinado por cuestiones externas, sino
que se encuentra compuesto por múltiples factores sociales e individuales que son definidos por
los sujetos y por la valoración que estos hacen del daño [Natenzon, 2003]. Por ejemplo, será
mayor la repercusión de las consecuencias negativas en grupos con carencias económicas puesto
que tienen un acceso desigual al sistema de salud [O'Neill et al., 2003].
Capítulo 2
30
La evaluación del riesgo es un mecanismo necesario para la gestión, pues permite discernir las
áreas prioritarias a ser atendidas, facilitando la toma de decisiones y la definición de políticas
públicas. A partir de la evaluación del riesgo es posible sopesar las amenazas asociadas a una
actividad permitiendo seleccionar una estrategia de actuación que modifique los niveles de riesgo
a los que están sometidos los individuos o la población [Chalvatzaki et al., 2019].
Como se vio anteriormente, la contaminación del aire se ha relacionado con una amplia gama de
efectos sobre la salud, entre ellos enfermedades pulmonares, problemas cardíacos, asma y cáncer
de pulmón [Brunekreef & Holgate, 2002]. Los estudios epidemiológicos en este campo brindan
evidencias directas sobre la magnitud de los impactos a la salud debidos a la contaminación
atmosférica [Hemminki & Pershagen, 1994], estimándose que ocasionan el 1.4% de la carga global
de muertes, las cuales ocurren, mayoritariamente, en sujetos menores de 60 años [Ostro & World
Health Organization, 2004].
Un elemento central para la cuantificación de los impactos en la salud son los modelos de
concentración-respuesta (CRF, del inglés concentration–response function) [Héroux et al.,
2015]. Las CRF dan cuenta de la relación entre los niveles de exposición a una sustancia y sus
efectos en los sujetos de estudio, y sirven para conocer el daño que puede ocasionar una cierta
concentración.
Como la contaminación del aire es una mezcla compleja, resulta muy difícil atribuir los efectos a
un único componente [Peled, 2011]. Por tanto, resulta conveniente considerar que existen
contaminantes indicadores sustitutivos de toda la mezcla. En particular, se ha demostrado que
PM10 y PM2,5 son indicadores sólidos del riesgo asociado a la exposición de la mala calidad del aire
[Ostro & World Health Organization, 2004; Levy et al., 2002].
Un modelo CRF general tiene la forma:
𝐸(𝑌) = 𝑒(𝛽·𝑋𝑖 +𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠)
donde el valor esperado del parámetro de salud Y (por ejemplo, recuento de mortalidad) se
modela como una función exponencial de las variables explicativas, siendo Xi la concentración
ambiental del contaminante i y β es el factor pendiente o el log-riesgo relativo asociado con un
cambio unitario en la concentración ambiente medida [Yeh & Small, 2002].
Es importante notar que la mayoría de los estudios de este tipo se han desarrollado en Europa y
América del Norte y la composición química del aire y los sistemas de salud pueden ser muy
diferentes en otros lugares, pudiendo variar las CRFs [World Health Organization, 2016]. Y como
se mencionó anteriormente, la localización es una cuestión que considerar muy importante en el
momento de analizar el riesgo, debido a la influencia que ejerce la posición geográfica de diversos
componentes de la vida social en el territorio [O'Neill et al., 2003; Bernard et al., 2007].
4. Estrategias para el monitoreo de la calidad del aire
Es necesario realizar mediciones de forma periódica para conocer los niveles de los contaminantes
a los cuales estamos expuestos dada la alta variabilidad de los contaminantes en la atmósfera. Se
Marco teórico
31
define como monitoreo atmosférico a todas las metodologías diseñadas para muestrear, analizar
y procesar en forma continua las concentraciones de sustancias o de contaminantes presentes en
el aire en un lugar establecido y durante un tiempo determinado [Finlayson-Pitts & Pitts, 1999].
Las redes de monitoreo están formadas por un conjunto de estaciones y son diseñadas con el
propósito principal de obtener información primaria que permita implementar medidas de
protección de la salud pública. La importancia del monitoreo atmosférico radica en el poder de la
información recolectada para generar conocimiento que facilite la gestión de la calidad del aire.
La base de datos que se genera aporta información útil para la realización de estudios científicos,
como pueden ser estudiar las reacciones químicas atmosféricas, identificar los tipos específicos
de contaminantes presentes en el ambiente, conocer las principales fuentes de emisiones y/o
evaluar modelos de dispersión de contaminantes. A su vez, aporta información para interpretar
estudios epidemiológicos que relacionen daños en la salud de la población y el ambiente con las
concentraciones de los contaminantes.
Con esta información, podemos determinar el cumplimiento de las normas y los criterios legales,
formular nuevos estándares de calidad de aire, llevar a cabo evaluaciones de tendencias a largo
plazo, implementar estrategias de control, establecer políticas de desarrollo y medir los efectos de
las medidas de control en la calidad del aire. Finalmente, brinda la posibilidad de otorgar
información al público acerca de la calidad del aire, y proporcionar información de fuentes y del
riesgo a la salud.
A continuación, se presentan distintas tecnologías empleadas ampliamente en el monitoreo de la
calidad del aire.
4.1 Monitoreo Terrestre
El objetivo del monitoreo terrestre de calidad del aire es conocer las concentraciones másicas de
los contaminantes a la cual están expuestas las personas (concentración de inmisión), a partir de
la obtención de muestras representativas y confiables del aire que se respira. Para esto se
desarrolla un proceso de toma de mediciones de los componentes atmosféricos a nivel del suelo
en distintos sitios y en diferentes momentos del año.
El monitoreo puede realizarse mediante distintas técnicas, las cuales se pueden agrupar en
técnicas de muestreo discreto o continuo, dependiendo si las mismas se encuentran
automatizadas o no [PNUMA/OMS 2002]. Los métodos continuos implican la captación y
análisis del contaminante en el punto de muestreo, de forma continua y automática, mientras que
los métodos discretos o discontinuos suponen la captación del contaminante en el punto de
muestreo, el transporte del contaminante captado al laboratorio y el posterior análisis.
Los muestreadores pasivos y activos corresponden a metodología discretas, implicando un
tratamiento de la muestra en el laboratorio. Mientras que los analizadores automáticos y los
sensores low-cost son metodologías continuas, proporcionando mediciones en tiempo real.
Los métodos para medir los contaminantes atmosféricos cubren los más amplios rangos de costos
y características de funcionamiento. En la Tabla 2 figuran las ventajas y desventajas de estas
técnicas. Cualquiera sea el método elegido es preciso contar con un mantenimiento periódico que
incluya la calibración del equipamiento.
Capítulo 2
32
Resulta importante resaltar que estas metodologías de monitoreo no son excluyentes. En un plan
de gestión, las metodologías discretas y continuas se complementan para obtener un mejor detalle
de la variación de los niveles de los contaminantes en el territorio. Por lo general, los monitoreos
discretos se realizan estacional o anualmente para, por ejemplo, obtener información de zonas
que no se monitorean de forma continua o contar con una caracterización más precisa de la
situación.
Tabla 2. Resumen de ventajas e inconvenientes de distintas metodologías de medición junto a sus métodos
Metodología Método Ventajas Inconvenientes
Discreta
Muestreadores pasivos
* Muy sencillos.
* Útiles para estudios de base.
* No útiles para algunos
contaminantes.
* Dan medias semanales o mensuales.
Muestreadores activos
* Fácil de operar.
* Operación segura.
* Datos históricos.
* Coste moderado
* Medias diarias.
* Trabajo intensivo.
* Requiere análisis en el laboratorio.
Continua
Analizadores Automáticos
* Comprobados.
* Datos horarios.
* Información en tiempo real.
* Muy costosos.
Sensores Low-cost
* Datos cada 20 segundos.
* Información en tiempo real.
* Muy económicos
* No estandarizados
* Aún no comprobados.
Muchos de los países industrializados cuentan con una amplia red de estaciones de monitoreo
que cubren la mayor parte de las zonas rurales y urbanas proporcionando mediciones continuas
de los contaminantes. Sin embargo, esto es económicamente inviable en muchos países,
requiriendo otros métodos, como las mediciones satelitales, para estimar la concentración de los
contaminantes [Garaga et al., 2018].
En el cruce de las diferentes tecnologías es posible obtener una red de monitoreo confiable con
buena cantidad de información a un costo menor. Por ejemplo, integrando información de
modelos de calidad de aire, información meteorológica, datos de monitoreo discreto, una red de
sensores continuos y mediciones realizadas por teledetección.
4.2 Teledetección
La teledetección siempre ha estado a la vanguardia de la adquisición automatizada de información
y ha producido tradicionalmente conjuntos de datos de gran tamaño [Lillesand et al., 2015]. La
función principal del monitoreo de la calidad del aire por teledetección es ayudar a vigilar los
niveles de los contaminantes atmosféricos de manera sistemática, coherente y frecuente,
Marco teórico
33
reforzando el monitoreo terrestre y el desarrollo de modelos matemáticos espaciales [Wentz et
al., 2014].
La teledetección atmosférica se define como la medición de gases, sólidos y líquidos presentes en
la atmósfera en tiempo real mediante el uso de instrumentos ópticos de observación a distancia
[Simonds et al., 1994]. Los instrumentos de teledetección ópticos utilizan energía lumínica para
detectar y medir los contaminantes.
Podemos diferenciar las técnicas de teledetección en activa o pasiva, dependiendo de la fuente
que se utilice. En la teledetección activa, un radar o un láser emite una señal electromagnética que
interactúa con la materia, para luego evaluar los cambios producidos en la señal emitida. Por su
parte, la teledetección pasiva aprovecha la energía solar, centrándose en la fracción de la energía
que recibe del Sol.
En ambos casos, el funcionamiento se basa en fenómenos fisicoquímicos a nivel molecular, donde
los componentes de la atmósfera interactúan con la luz, mediante la absorción o la dispersión del
haz incidente [Simonds et al., 1994]. Las transiciones energéticas ocasionadas por la interacción
entre la materia y la luz son características de la sustancia, y pueden ser utilizadas para identificar
y cuantificar las especies químicas presentes.
Cuando un fotón o cuanto de energía colisiona con un átomo o molécula, si la energía del fotón es
igual a la diferencia energética entre el nivel energético ocupado (estado basal) y el nivel excitado,
entonces el fotón es absorbido por la partícula. Este nuevo estado energético es inestable y, tras
un breve tiempo, la energía extra se perderá mediante alguno de los mecanismos de disipación,
siendo posible la emisión de un fotón. Los espectros de absorción y emisión son característicos de
las sustancias y, si bien son de escala microscópicas, pueden ser registrados por instrumentos
ópticos lejanos.
En la Tabla 3 se resumen las regiones ópticas donde se utiliza la teledetección atmosférica junto
con las especies químicas que comúnmente se monitorean. La relación entre la intensidad de la
absorción y la concentración viene expresada por la Ley de Bouguer-Beer-Lambert:
𝐴𝜆 = − log(𝑇) = 𝑎𝜆 · 𝑐 · 𝑙
donde Aλ y aλ son la absorbancia y la absortividad a la longitud de onda λ, respectivamente; T es
la transmitancia; c es la concentración de la muestra y l es la longitud del camino del haz de luz.
Los fenómenos de absorción-emisión no son los únicos empleados para identificar las especies
químicas presentes en la atmósfera, también la dispersión puede ser utilizada, en particular para
detectar la presencia de aerosoles [Simonds et al., 1994].
Una gran parte de las investigaciones en calidad de aire por teledetección se centra en el uso de
láseres y en la fotometría solar. La red AERONET (AERosol Robotic NETwork) es una extensa
red global compuesta por fotómetros solares [Holben et al., 1998]. Las redes EARLINET
(European Aerosol Research LiDAR Network) [Bösenberg & Matthias, 2003], MPLNET (Micro-
Pulse LiDAR Network) [Welton et al., 2006], AD-Net (Asian Dust and Aerosol LiDAR
Observation Network), REALM (Regional East Aerosol LiDAR Mesonet) [Sugimoto et al., 2014]
presentan sistemas del tipo LiDAR (Light Detection and Ranging). A las redes antes mencionadas
se le suman las distintas campañas de vuelo con sensores LiDAR, para registrar desde el aire la
composición de la atmósfera a lo largo del planeta, como son las campañas ATom [Wofsy et al.,
2018], ORACLES [Pi et al., 2017] o AEROCLO-SA [Formenti et al., 2019].
Capítulo 2
34
A diferencia de estos métodos, el monitoreo satelital proporciona una extensa cobertura,
pudiendo monitorear amplias zonas del mundo e incluso áreas inaccesibles [Engel-Cox et al.,
2004]. Mediante la captura de la irradiancia en distintos rangos del espectro electromagnético
(en particular, en el UV, el visible y el IR cercano) los satélites brindan datos físicos para deducir
mediante la aplicación de determinados algoritmos las concentraciones de ciertas especies
químicas en la columna atmosférica para extensas áreas.
Tabla 3. Regiones ópticas y técnicas de teledetección [Modificado de Simonds et al., 1994]
Región óptica
Rango de longitud de onda
Principios de detección
Compuestos Comentarios
UV 200-400 nm Absorción SO2, H2S, OH, NOx, Hg, Cl2, compuestos aromáticos
Interferencias del O2
Visible 400-700 nm Absorción SO2, NO2, O3, H2O Poco compuestos absorben en esta región
IR cercano
700-2500 nm Absorción CO2, CO, H2O, O2 No para especies traza debido a su débil absorción
IR medio 2500-25000 nm
Absorción,
Emisión,
Fluorescencia
COVs, gases Interferencias del H2O y CO2
IR lejano 0.025 - 0.5 mm Absorción,
Emisión H2O, O3, N2O, NO2
No se utiliza por las fuertes interferencias por la absorción del H2O
Los sensores empleados en el estudio de la calidad de aire tienen una buena resolución
radiométrica, permitiendo identificar los componentes de la atmósfera, y un período de revisita
diario o de pocos días, pero una resolución espacial moderada que los hacen no aplicables a
estudios de micro-escala (< 1 km). Pese a esto, su uso brinda información confiable de fácil
integración para el modelado de la calidad del aire en las ciudades [Stafoggia et al., 2017; Just et
al., 2015; Hoek et al., 2015, Young et al., 2016].
La Figura 4 muestra de forma esquemática los espectros de absorción para el O2, O3, CO2 y H2O
y su superposición para conformar el espectro atmosférico. Esta figura también nos muestra las
secciones del espectro electromagnético más propicias para operar con teledetección. Las técnicas
de espectroscopia desde satélites trabajan a rangos de longitudes de onda precisos para cada uno
de los gases en estudio.
Marco teórico
35
Figura 4. Espectro de absorción de los gases de efecto invernadero [Adaptado
de Climate Science Investigations, 2019]
El proceso de recuperación (o de determinación de la concentración) de un gas en la columna
atmosférica requiere tres pasos principales. En primer lugar, se mide la radiancia a la longitud de
onda de interés mediante espectroscopia de absorción óptica diferencial (DOAS, del inglés
differential optical absorption spectroscopy) para obtener la concentración del gas en la columna
inclinada por la Ley de Beer-Lambert-Bouguer [Richter y Wagner, 2011]. Luego, si se desea
obtener la concentración en la columna troposférica, se elimina la señal estratosférica [Boersma
et al., 2011; Bucsela et al., 2013]. Para ello, se generan los perfiles verticales de los gases utilizando
modelos de transporte químico. Finalmente, la concentración de la columna inclinada
troposférica (SCD, del inglés slant column density) debe convertirse a la concentración de la
columna vertical (VCD, del inglés vertical column density) mediante el uso de un factor de masa
en aire (AMF, del inglés air mass factor) según la ecuación:
VCD = SCD/ AMF
Dependiendo del algoritmo específico, las interferencias producidas por las nubes pueden ser
ignoradas o corregidas [Laughner et al., 2016].
Los métodos de recuperación de la concentración de aerosoles son distintos al de los gases ya que
se basan en el fenómeno de dispersión de la luz. En el espectro del UV cercano, la reflectancia
atmosférica está regida fuertemente por la dispersión de Rayleigh y esta relación puede utilizarse
para estimar los aerosoles atmosféricos [Torres et al., 2007]. El parámetro utilizado para
cuantificar los aerosoles es AOD (del inglés, Aerosol Optical Depth), un número adimensional que
da cuenta de la cantidad de partículas presentes.
Capítulo 2
36
Los algoritmos de recuperación evalúan la dispersión provocada por las partículas atmosféricas
que dirigen energía desde afuera del campo de vista del sensor hacia el sensor. Como estas fuentes
de luminosidad no vienen del objeto, actúan como una máscara de luminosidad uniforme,
causando que áreas oscuras aparezcan con mayor luminosidad y viceversa. Estos algoritmos
requieren información sobre el albedo de dispersión única de aerosoles (SSA, del inglés single
scattering albedo) para inferir el nivel de AOD. Ejemplos de algoritmos de recuperación son el
Dark Target Land and Ocean [Teillet & Fedosejevs, 1995], el Deep Blue [Hsu et al., 2013] o el
MAIAC [Lyapustin et al., 2011].
La presencia de nubes dificulta la recuperación de AOD. La contribución a la reflectancia total en
el TOA por parte de la dispersión provocada por los aerosoles es muy pequeña en comparación
con la reflectancia generada por las nubes. Por tanto, la contaminación por cirros o nubes de
tamaño de subpíxel provoca una subestimación del SSA aumentando el error en su recuperación
[Torres et al., 1998]. Como salida a esto, se utiliza la capacidad de absorción de los aerosoles en el
UV permitiendo ser caracterizados incluso sobre fondos muy brillantes [Torres et al. 1998].
5. Modelos de calidad del aire
Los datos generados en el monitoreo de la calidad del aire, por sí mismos, resultan insuficientes
para establecer una representación detallada del comportamiento espacial y temporal de los
contaminantes. Mediante algoritmos matemáticos es posible predecir los valores en puntos
distantes, del cual no se disponen de medidas, mediante la información recogida en otros sitios.
Los modelos matemáticos son representaciones conceptuales que permiten representar el estado
de los contaminantes y ampliar la cobertura espacial y/o temporal de las observaciones [Beaulant
et al., 2008; Janssen et al., 2008]. Los modelos pueden utilizarse como información
suplementaria o como fuente exclusiva de información para la evaluación, de esta forma se
permite reducir el número de estaciones de vigilancia en una zona [Jacobson, 2005].
Un modelo es un sistema abstracto en el que los elementos que intervienen se conocen como
variables, y las relaciones entre ellas vienen expresadas mediante conjuntos de ecuaciones. De
esta forma, el uso de modelos permite entender mejor los fenómenos, comprender las
propiedades físicas, químicas, dinámicas y radiativas de la contaminación del aire y la
meteorología. A su vez, brinda información sobre los procesos que tienen lugar en una
determinada zona y cómo estos interaccionan entre sí [Jacobson, 2005].
El empleo de modelos en la gestión facilita la tomar decisiones, y permite optimizar los recursos,
ensayar hipótesis o probar modificaciones que serían imposibles de otra manera. Esto hace que
se utilicen en la confección de planes de mejora o para evaluar si se superan los valores límites u
objetivos en ciertas condiciones. También, son herramientas de ayuda para la preparación de
propuestas de adopción de medidas, planes ó programas de reducción en el caso de superación
de las concentraciones límites establecidas.
Finalmente, la modelización es utilizada en la predicción de la calidad del aire. Las simulaciones
permiten estudiar el comportamiento futuro del sistema, evaluar su evolución con el tiempo o
frente a un cambio de las condiciones climáticas. Otorgan la posibilidad de generar predicciones
a corto plazo sobre la evolución de la situación y con ellos, realizar avisos a la población o
desplegar protocolos de acción.
Marco teórico
37
Los modelos de calidad de aire se pueden clasificar en 2 grandes grupos (Figura 5). Por un lado,
encontramos los modelos físicos que son representaciones a escala de laboratorio del transporte
atmosférico en una región. Por ejemplo, en un modelo de túnel de viento se coloca una maqueta
que representa el área de estudio dentro del túnel de viento y se evalúa la fluidodinámica de los
eventos que pudieran ocurrir. Por otro lado, los modelos numéricos que comprenden los modelos
deterministas y los modelos estocásticos. En la siguiente subsección se presentan estos modelos
con más detalle.
Cualquiera sea el modelo elegido, es importante señalar que los resultados que se obtienen con
un modelo nunca pueden ser mejores que la calidad de los datos utilizados y que los mismos
estarán atados a las hipótesis y supuestos que han sido adoptados para su realización [Janssen et
al., 2008].
Figura 5. Familia de modelos empleados en el estudio de la calidad del aire
5.1 Modelos numéricos determinísticos
La modelización mediante modelos numéricos deterministas es el procedimiento que se realiza
sobre un fenómeno, proceso o sistema con el fin de identificar las teorías y variables que lo
definen. Los modelos determinísticos son considerados una herramienta indispensable en el
estudio de la calidad del aire por incorporar un marco teórico y conceptual en su elaboración.
Estos modelos se basan en las descripciones físicomatemáticas de la atmósfera y muestran una
gran aplicación en la predicción de la dinámica atmosférica. Las ecuaciones gobernantes son las
Ecuaciones Primitivas (Tabla 4), un conjunto de ecuaciones diferenciales parciales, no lineales,
imposibles de resolver con exactitud.
Siendo el aire un fluido, para un elemento de volumen de dimensiones Δx, Δy, Δz, la Ecuación de
continuidad describe la velocidad de la variación de la densidad; la Ecuación de Navier-Stoke o
Ecuación de movimiento describe la aceleración de un pequeño elemento de volumen por las
fuerzas que actúan sobre este; y la Ecuación de la energía total describe la conservación de la
energía como una sumatoria de la energía térmica, cinética y potencial [Bird et al., 1992].
Capítulo 2
38
Tabla 4. Ecuaciones primitivas. Conjunto de ecuaciones que gobiernan la atmósfera: la Ecuación de
continuidad, la Ecuación de Navier-Stokes y la ecuación de energía total. Donde 𝐷
𝐷𝑡 es la derivada sustancial
o material: 𝐷 (∗)
𝐷𝑡=
𝜕(∗)
𝜕𝑡+ (𝑣 · 𝛻)(∗) , 𝛻2 es el operador laplaciano: 𝛻2 =
𝜕2
𝜕𝑥2 +
𝜕2
𝜕𝑦2 +
𝜕2
𝜕𝑧2 , 𝜌 es la densidad,
t es el tiempo, 𝑣 es la velocidad local del fluido, 𝑝 es la presión estática, 𝛻 es el operador gradiente, 𝑔 es la
aceleración de la gravedad, µ es la viscosidad, �̂� la energía interna por unidad de masa, 𝑞 es el vector
densidad de flujo de calor, �̂� la energía potencial por unidad de masa, 𝜏 es el tensor de esfuerzo cortante.
Ecuación de Continuidad 𝑫𝝆
𝑫𝒕= − 𝝆 (𝜵 · 𝒗)
Ecuación de Navier-Stokes 𝜌
𝐷𝑣
𝐷𝑡 = −𝛻𝑝 + µ𝛻2𝑣 + 𝜌𝑔
Ecuación de Energía Total 𝜌
𝐷( �̂� + �̂� + 12
𝑣2)
𝐷𝑡 = −(𝛻 · 𝑞) − (𝛻 · 𝑝𝑣) − (𝛻 · [𝜏 · 𝑣])
Debido a la naturaleza caótica de las Ecuaciones primitivas resulta prácticamente imposible
predecir con certeza absoluta el estado de la atmósfera en un cierto momento [Lorenz, 1964]. Es
por esto que, a partir, de diferentes tipos de métodos numéricos, considerando sólo los fenómenos
más relevantes e imponiendo condiciones iniciales y de contorno, se generan soluciones
aproximadas para las ecuaciones que facilitan el estudio de la atmósfera [Lamb y Seinfeld, 1973].
Los modelos Gaussianos son los modelos más sencillos, ya que brindan soluciones para el estado
estacionario [El-Harbawi, 2013]. Los modelos Gaussianos describen la distribución
tridimensional de una pluma de contaminación (con distribución Gaussiana, de allí su nombre)
bajo condiciones meteorológicas y de emisión estacionarias [Leelőssy et al., 2014]. Un ejemplo
del uso de modelos Gaussianos se observa en el software científico AERMOD [Cimorelli et al.,
2005].
Los modelos que muestran dependencia con el tiempo se dividen en función de la forma de
analizar la mecánica en medios continuos. La descripción de Lagrange consiste en hacer un
seguimiento de las partículas, mientras que la descripción de Euler consiste en medir lo que
sucede en puntos fijos del espacio [Collett & Oduyemi, 1997]. Ambas descripciones son
equivalentes, salvo que en ciertos análisis puede resultar una más simple que la otra.
Los modelos Lagrangianos son modelos de celda fija, donde el enfoque matemático es seguir la
trayectoria de una parcela de aire. Los modelos Lagrangianos tienen una capacidad más limitada
que los modelos Eulerianos de incorporar procesos químicos. Estos modelos se centran en los
procesos de transporte por advección, aunque también se pueden incorporar los procesos
convectivos de la atmósfera [Collett & Oduyemi, 1997; Leelőssy et al., 2014]. Un ejemplo de
aplicación de modelos Lagrangianos es el modelo GEOS-5 de circulación general atmosférica
(AGCM, del inglés atmospheric general circulation model) [Lin, 2004].
Los modelos Eulerianos apuntan a incluir los procesos atmosféricos relacionados a la dispersión
de contaminantes y a su transformación química. Existen distintos grados de complejidad en los
modelos Eulerianos en términos de la representación de procesos, desde modelos que consideran
sólo la dispersión, hasta modelos que incluyen procesos fotoquímicos. Estos modelos discretizan
Marco teórico
39
el espacio en forma de grilla tridimensional e integran las ecuaciones matemáticas en el tiempo
para cada una de las celdas, generando la información de la evolución temporal de las
concentraciones en todas las dimensiones [Collett & Oduyemi, 1997]. Ejemplos de modelos
Euleriano son el WRF-Chem [Skamarock & Klemp, 2008], CAMx [ENVIRON, 2014] y CMAQ
[Binkowski & Roselle, 2003].
Un tercer tipo de modelos son los modelos combinados o tipo “puff”. Estos modelos calculan la
dispersión de los contaminantes provenientes de una emisión instantánea (llamada “puff”) a lo
largo de su recorrido [Collett & Oduyemi, 1997]. En caso de ser una emisión continua se simulan
múltiples puff sucesivos. Su aproximación matemática consiste en estimar la dispersión en forma
Gaussiana en cada punto de la trayectoria. Como ejemplo de modelo tipo puff se encuentra el
CALPUFF [Scire et al., 2000].
La modelización determinista ha realizado grandes contribuciones al estudio de la atmósfera. Sin
embargo, presenta una serie de desventajas a considerar. Si bien estos modelos tienen su fuerte
en el planteamiento teórico, la resolución espacial limita la comprensión de los fenómenos que
suceden en escalas más pequeñas que la malla del modelo [El-Harbawi, 2013] y se encuentran
limitados en la incorporación de procesos relevantes en escalas temporales mayores [van
Donkelaar et al., 2010].
La aplicación de modelos deterministas requiere de un amplio conocimiento de las fuentes de
emisiones (inventario de emisiones), la naturaleza del contaminante, las características
meteorológicas y los efectos del relieve [Engel-Cox et al., 2013; El-Harbawi, 2013]. Con una
dificultad adicional para el modelado de contaminantes secundarios, donde se debe considerar
las condiciones de contorno del modelo y el periodo de simulación [Jacobson, 2005].
A su vez, muchas veces se cuenta con un alto grado de incertidumbre de las condiciones iniciales
y muchos de los resultados no pueden ser verificados [Wang et al., 2017 a]. Aunque en ciertos
casos es posible corroborar los resultados de las simulaciones con observaciones, estas
confirmaciones son parciales. Finalmente, estos modelos demandan un alto grado de experticia y
computación de alto desempeño [Jiang et al., 2017], por lo que su implementación debe analizarse
caso a caso.
5.2 Modelos matemáticos probabilísticos
Un enfoque alternativo para abordar los sistemas caóticos es basarse en la probabilidad de
ocurrencia de los eventos [Zeng et al., 1993]. El modelado probabilístico, también llamado
empírico o estocástico, se basa en el estudio de los eventos históricos, a fin de determinar la
frecuencia de los sucesos y la importancia que presentan algunas variables para predecir este
comportamiento [Watson et al., 1988]. A su vez, estos métodos permiten tener una estimación de
la incertidumbre, de tal manera que el usuario final puede evaluar con más información el valor
de la predicción generada.
Existen muchas variantes de modelos estocásticos que pueden agruparse en dos grandes grupos:
los modelos paramétricos y no paramétricos. Los modelos paramétricos asumen que un conjunto
finito de parámetros captura toda la información relevante de los datos. Ejemplo de esto son los
modelos lineales (ML), los modelos lineales generalizados (GLM) o los modelos generalizados
mixtos (GLMM), donde se toma como hipótesis que los errores del modelo tienen la forma de una
Capítulo 2
40
función de distribución de probabilidad conocida [Westerlund et al., 2014; Hasenfratz et al., 2015;
Biancofiore et al., 2017].
Por su parte, los modelos no paramétricos consideran que la distribución de los datos no puede
ser definida en términos de un conjunto finito de parámetros. Esto hace que sean más flexibles a
modelar variables que presenten un comportamiento complejo, como la heteroscedasticidad, la
tendencia temporal y/o los comportamientos cíclicos. Los métodos más usados en el aprendizaje
automático (en inglés, machine learning) son esencialmente no paramétricos, como las redes
neuronales, máquinas de vectores de soporte (SVM, support vector machine), Random Forest,
entre otros. Su aplicación requiere de una gran cantidad de datos históricos, haciendo que la
aplicabilidad de estos algoritmos se encuentre limitada a ciertos conjuntos de datos [Jiang et al.,
2017].
En el estudio de la calidad del aire se han observado un amplio uso de modelos estocásticos para
la predicción temporal o espacial. Los enfoques más innovadores incluyen la regresión paso a
paso (en inglés, stepwise regression) y el análisis de la transformada Wavelet [Russo et al., 2015],
redes neuronales artificiales [Sekar et al., 2015; Csépe et al., 2014; Gong & Ordieres-Meré, 2016],
lógica difusa [Gong & Ordieres-Meré, 2017; Dincer & Akkus, 2018; Jiang et al., 2017], y los
modelos ocultos de Markov [Gómez-Losada, 2017; Domanska et al., 2016].
Una amplia tendencia es el desarrollo de modelos multivariables, como los modelos de regresión
de uso del suelo (LUR, según sus siglas del inglés: land use regression). Los modelos LUR utilizan
un conjunto de variables explicativas para modelar las concentraciones de contaminación. Para
eso se utilizan como variables predictoras información de uso del suelo, datos sobre el tráfico y
otras variables físicas y ambientales relacionadas con la contaminación atmosférica [Westerlund
et al., 2014, Shi et al., 2017 b, Yang et al., 2017].
En la literatura científica, los modelos LUR se pueden encontrar basados en Modelos Lineales
Mixtos Generalizados (GLMMs) [Yang et al., 2018 a], Modelos Aditivos Generalizados (GAMs)
[Hasenfratz et al., 2015; Hastie, 2017], algoritmos de machine learning. El potencial de estos
modelos es predecir la concentración de un contaminante en sitios que no son monitoreados,
resultandos precisos para el análisis de concentraciones de exposición [Beelen et al., 2013].
También presentan una gran aplicación en el campo de la epidemiología, con modelos que
relacionan los niveles de contaminantes con los efectos sobre la salud [Lin et al., 2016; Wu et al.,
2016].
6. Big data, ciencia de datos y minería de datos
Las mediciones automáticas de contaminantes atmosféricos, ya sea mediante monitoreo terrestre
o teledetección, sumado a los múltiples modelos disponibles para evaluar las concentraciones en
el tiempo y el espacio, brindan una enorme cantidad de datos inimaginables hace medio siglo
atrás. La masividad de datos transforma nuestra comprensión de los sistemas ambientales y, por
tanto, genera nuevos paradigmas en la ciencia que se realiza [Kitchin, 2014].
Big Data (BD) es el nombre acuñado para hablar de enormes volúmenes de datos que se crean en
tiempo real, diversos en variedad, estructurados y no estructurados en naturaleza, de alcance
exhaustivo, desarrollados para captar poblaciones o sistemas enteros, con una resolución espacial
de mallado fino, de naturaleza relacional, flexibles en estructura, extensibles a nuevas variables y
Marco teórico
41
escalables rápidamente en tamaño [Kitchin, 2014; Sivarajah et al., 2017]. El reto que presenta su
abordaje es hacer frente a la abundancia, la variedad, el desorden y el dinamismo, y el hecho de
que gran parte de estos datos responden a preguntas anacrónicas o son un producto de otras
actividades o experiencias [Han et al., 2011; Hastie et al., 2009]. A su vez, el BD presenta como
desafío la adopción de un marco epistemológico donde quepan la complejidad del fenómeno en
estudio y las herramientas para su abordaje [Kitchin, 2014].
La ciencia de datos o ciencia guiada por los datos, en contraste con las actuales tendencias al
empirismo, plantean un abordaje diferente del diseño deductivo tradicional. Su abordaje busca
generar nuevas hipótesis a partir de los datos [Kelling et al., 2009]. Esto es posible al incorporar
un modo inductivo en el diseño de la investigación que permite identificar nuevas preguntas
relevantes de ser examinadas y probadas.
El enfoque de la ciencia de datos contribuye en el estudio de la calidad del aire proporcionando
una metodología de trabajo estructurada que organiza y simplifica los pasos, desde la adquisición
de datos hasta la producción de información para los usuarios finales. La estrategia
epistemológica de la ciencia de datos plantea un proceso de descubrimiento del conocimiento
guiado por la teoría existente que dirige el proceso [Bellinger et al., 2017; Chen et al., 2017]. Como
tal, la forma en que se generan o se vuelven a utilizar los datos es regida por suposiciones
sustentadas por los conocimientos teóricos y prácticos. Del mismo modo, la forma en que los
datos se procesan, gestionan y analizan viene dada por suposiciones en cuanto a las técnicas de
análisis de datos que podrían proporcionar información significativa [Han et al., 2011].
Se conoce como minería de datos (Data Mining) al conjunto de herramientas utilizadas para
extraer (o producir) información de grandes volúmenes de datos a través de la automatización.
Para facilitar el trabajo con BD se han elaborado distintos modelos de procesos de minería de
datos. Un modelo de procesos puede definirse como el conjunto de actividades y tareas marco
para realizar el trabajo, incluyendo insumos y productos en cada tarea [Pressman, 2005]. El
objetivo final de un modelo de procesos es hacer el proceso manejable, repetible y cuantificable.
Ejemplos de estos son el pionero modelo KDD (del inglés, knowledge discovery in databases)
desarrollado por Fayyad et al. [1996 a, b, c] y el ampliamente usado modelo CRISP-DM [Chapman
et al., 2000] para el desarrollo de modelos de minería de datos.
Mientras que los modelos de procesos de minería de datos definen qué hacer, las metodologías
definen cómo hacerlo. Una metodología es una parte constitutiva de un modelo de proceso, en la
que, junto a las tareas, los insumos y los productos, se debe especificar la forma en que las mismas
se llevan a cabo [Yang & Wu, 2006; Mariscal et al., 2010]. En [Mariscal et al., 2010] se presentan
una serie de fases que se repiten en las distintas metodologías de minería de datos, estas son: la
especificación del problema, la preparación de datos, el modelado, la evaluación del modelo y la
producción de la información (o nuevas hipótesis) como un avance del conocimiento en el campo
de aplicación [Sivarajah et al., 2017; Shah et al., 2015].
7. El riesgo, la incertidumbre, la ciencia y la gestión
Como se mencionó hasta aquí, conocer la calidad del aire no es una tarea sencilla. Requiere de
una exhaustiva recolección de datos, del análisis e interpretación de los resultados y de la
Capítulo 2
42
integración de la información obtenida con los antecedentes y la normativa en el tema. A su vez,
en muchas ocasiones, se precisa el trabajo en colaboración con distintas instituciones, para
obtener la información necesaria. Las dificultades comienzan cuando alguna de estas partes falla.
Mientras en las ciudades más pobladas de los países industrializados se sostiene un monitoreo
continuo de la calidad del aire, la situación es distintas en países periféricos donde no se cuenta
con información de la calidad del aire o el monitoreo es eventual [Silva y Quiroz, 2003]. Como la
adquisición de un equipo certificado para el monitoreo de la calidad del aire resulta altamente
costosa en términos de instalación y de operación, muchas veces la gestión de la calidad del aire
se limita a esporádicos monitoreos discretos en sitios específicos que solo aportan una imagen
estática de la situación. La falta de datos a lo largo del tiempo y espacialmente incompleta
complejiza la gestión de la calidad del aire, incluso comprometiendo la credibilidad de las
mediciones oficiales.
Para saldar esta carencia se pueden utilizar modelos matemáticos que, como se vio, brindan un
pronóstico de lo que sucede en el territorio que no se monitorea. Sin embargo, los modelos son
representaciones de la realidad, y aunque se realizan esfuerzos para representar el mundo tal cual
es, cada modelo requiere de suposiciones teóricas que definen sus propias limitaciones. A su vez,
los resultados brindados obedecen a la calidad de los datos recopilados y la falta de datos obliga a
hacer aproximaciones reduciendo la precisión de los resultados.
De esta forma, queda planteada una interesante paradoja entre la necesidad de información para
gestionar y la incertidumbre sobre la calidad de la información con la que se cuenta. Hacer en la
administración, por tanto, conlleva un riesgo, donde el riesgo se encuentra en el borde entre el
conocimiento y la ignorancia [Sørensen, 2018]. Según la teoría social del riesgo, el riesgo es parte
de la toma de decisiones. Seleccionar una posible acción implica asumir las eventuales
contingencias que dicha acción pueda traer aparejadas [Cohen, 2007]. Y si bien el riesgo refiere a
un cálculo de probabilidades (inmerso en un contexto sociocultural), es imposible determinar con
certeza absoluta el futuro [Beck & Beck-Gernsheim, 2002].
Por esta razón, las discusiones acerca del riesgo implican reflexionar sobre el conocimiento
científico, su finalidad, las limitaciones que presenta, la condición irreductible de la
incertidumbre y el carácter reduccionista de las soluciones. Para ello, se requiere dejar atrás el
concepto de verdad para adoptar el concepto de control o de gestión, alejándonos de la necesidad
de obtener predicciones precisas, para pasar a la necesidad de controlar los futuros eventos,
aceptando la inexactitud cuantitativa, a favor de una precisión cualitativa que convenga mejorar
[Funtowicz & Ravetz, 2000].
La gestión, por lo tanto, demanda un flujo de trabajo dinámico, donde se priorice la producción
de resultados y la obtención de productos. En este sentido, la elaboración de metodologías y
sistemas de información que faciliten la selección de las fuentes de datos, sistematicen las
preguntas más relevantes y condensen los mejores métodos actuales contribuyen a una más
rápida y mejor toma de decisiones.
En base a lo aquí expuesto, esta tesis doctoral retoma las experiencias desarrolladas en la temática
y propone una metodología para el estudio y la evaluación de la calidad del aire incorporando el
enfoque sistémico de la ciencia de datos. Con su uso en este campo se espera contribuir a una
mejor administración de los datos disponibles para un mayor beneficio de la sociedad.
44
“Cada método esclarece lo que le conviene y solo una constelación de métodos puede
captar el silencio que persiste entre cada lengua que pregunta.”
De Sousa, 2009
Capítulo 3
Propuesta metodológica
para el estudio de la calidad del aire
Introducción
En el capítulo anterior se presentaron los distintos conceptos teóricos que acompañan el estudio
y la gestión de la calidad del aire, quedando enmarcados dentro de un contexto socioeconómico
que lo contienen, limitan y enriquecen. A lo largo de este capítulo se detalla y justifica una
propuesta metodológica para el estudio de la calidad del aire, la cual se describe en términos de
procedimientos prácticos que facilitan la adquisición, proceso, interpretación y comunicación de
la información.
Como se ha mencionado en la Introducción General de esta tesis, cada escenario de aplicación
plantea dificultades particulares y cuenta con limitadas herramientas para su análisis. El desafío
que esta tesis aborda consiste en generar una propuesta de trabajo que sintetice los avances
elaborados en los estudios anteriores y, a su vez, facilite la recolección, manejo y generación de
nuevo conocimiento
El marco de trabajo que aquí se esboza, y en los capítulos siguientes se implementará, resulta una
guía de trabajo de fácil aplicación mediante la cual se puede obtener un análisis completo de la
calidad de aire en función de los datos disponibles. Para simplificar su lectura, se presenta un flujo
de trabajo que ordena y sintetiza los pasos necesarios en la evaluación de la calidad del aire. Este
esquema de trabajo es un punto de partida, el cual no debe ser tomado en forma rígida o absoluta,
sino como una propuesta que esquematiza los elementos a considerar en el abordaje de la
problemática.
La generación del flujo de trabajo no fue arbitraria, por el contrario, se generó a partir de una
serie de reglas de diseño. Como características generales, se pensó en que la metodología resulte
de fácil integración con modelos en funcionamiento, no resultando excluyente con tecnologías
anteriores y que fuera adaptable a los nuevos avances en el tema. Se buscó integrar algoritmos
que fueran robustos, novedosos y fácilmente aplicables, sin requerir grandes tiempos de
procesamiento para su mantenimiento, y que hicieran un uso intensivo de los datos disponibles
aprovechando las fuentes mundiales de información.
Propuesta metodológica
45
Un flujo de trabajo plantea una secuencia de operaciones que se relacionan entre sí, y que se
realizan de forma recursiva para obtener un producto o resultado. El flujo de trabajo ocupa un
lugar central en la automatización de los procesos, ya que las tareas se estructuran en función de
la dependencia de los datos y de estructuras de control. En nuestro caso, el flujo de trabajo
describe los aspectos del proceso que son relevantes y que pueden ser gestionados de forma
independientes y que requieren habilidades específicas para ser llevados a cabo. A estas secciones,
que pueden pensarse de forma autónoma en el proceso, las llamaremos módulos operativos
[Georgakopoulos et al., 1995; Russell et al., 2005].
La posibilidad de estandarizar el proceso de análisis de los datos de calidad de aire en módulos
ofrece una gran cantidad de ventajas. Como primer aspecto, nos brinda la oportunidad de integrar
procesos y capacidades nuevas con las preexistentes. Nos permite reconocer la organización
previa dando valor a otras experiencias y saberes. Por otra parte, es posible aumentar la
especificidad de la respuesta al agregar nuevos recursos o datos. Como tercer aspecto, brinda la
posibilidad de adaptar la metodología al usuario mediante el desarrollo de ligeros cambios en
función de las necesidades del destinatario final [Wang et al., 2011]. Un último aspecto es que el
proceso por módulos permite actualizar las versiones sin perder la funcionalidad. Y de igual
manera, modificar o reemplazar por partes los componentes de los módulos cuando la tecnología
en la cual se basan evolucione, pero sin sacrificar el proceso completo [Tansley & Tolle, 2009].
En la Figura 6 se sintetiza la metodología de trabajo elaborada. Se pensó en una metodología
por etapas, donde cada módulo cuenta con una serie de tareas a desarrollar.
Figura 6. Metodología propuesta para el abordaje del estudio de la calidad del aire mediante el enfoque de
ciencia de datos
El primer módulo hace foco en el conocimiento del área de estudio, la recopilación de estudios
previos y datos disponibles, el análisis de la normativa, el planteamiento de un objetivo y la
selección de las preguntas de estudio. Esta etapa limita los alcances del análisis que se utilicen en
Capítulo 3
46
el siguiente módulo. Para su ejecución, se requiere un conocimiento experto en gestión y calidad
del aire.
El segundo módulo abarca el pretratamiento y procesamiento de los datos. Esta etapa comienza
una vez seleccionadas las preguntas a responder los datos con los que se cuenta. Si bien hay
cuestiones generales en la preparación de los datos, existen cuestiones específicas que requieren
ser consideradas en función de los algoritmos de análisis que se seleccionen. Como veremos más
adelante, esta sección requiere principalmente de habilidades en el análisis e ingeniería de datos.
Finalmente, el tercer módulo se centra en el análisis de los resultados y su comunicación. Esta
etapa implica la visualización de los resultados y la generación de informes. La comunicación de
resultados es una parte fundamental en la gestión de la calidad del aire ya que incorpora a la
población brindando la posibilidad de mejorar el manejo del riesgo. Este módulo requiere de
habilidades en la comunicación científica.
A continuación, se expondrá con más detalle cada uno de estos módulos detallándose las tareas
que los componen.
Módulo I - Etapa de diseño del análisis
El primer módulo tiene como objetivo el diseño del análisis que se utilizó para la evaluación de la
calidad del aire. Esto incluye una secuencia de pasos iterativos que ordena las acciones necesarias
para definir las preguntas de trabajo de forma tal que orienten el análisis a realizarse en el módulo
siguiente.
La etapa de diseño se la pensó como una etapa dinámica y, por tanto, resulta necesario que sea
una etapa recursiva de mejora continua. Para mantener nuestro sistema actualizado con los
avances científicos y tecnológicos fue importante realizar revisiones periódicas, de los objetivos y
de las fuentes de información disponibles y de las preguntas que se podrían abordar.
Propuesta metodológica
47
I.I. Definición y caracterización el área de estudio
La extensión del área de estudio, o dominio territorial, se definió en función de la magnitud del
proyecto que se buscó abordar, así como de la presencia de población susceptible de ser afectada.
Cada escenario de análisis presentó características particulares. Sin embargo, por las leyes físicas
y químicas que gobiernan los fenómenos estudiados, hay cuestiones comunes que se repitieron
en cada sitio de estudio. Identificar todas estas cuestiones facilitó la interpretación de la situación
y, por tanto, el análisis. La caracterización generada nos aportó información clave para
contextualizar los resultados.
En este sentido, identificamos las características que nos interesaba conocer: la demografía, las
actividades económicas principales (uso de suelo), la meteorología de la región, la geografía local,
el grado de urbanismo o la cubierta del suelo, la presencia de eventos climáticos característicos y
el marco normativo en el que se circunscribe la problemática. Estos elementos se obtuvieron de
la literatura científica, la documentación de las agencias ambientales y de los medios de
comunicación, como también mediante visitas oculares y entrevistas.
Relevamiento de fuentes de emisión
La identificación de las fuentes principales de emisión fue un paso necesario en la caracterización
del área de estudio. Conocer las fuentes presentes y los niveles de emisiones, aportó información
relevante para identificar las contribuciones que cada una de ellas realizaba al estado general de
la calidad del aire. En este sentido, la evaluación ambiental se enfocó en los impactos que cada
proyecto o actividad produjo sobre el ambiente. Esto se analizó considerando, entre otros
parámetros, la magnitud y duración de las emisiones, especialmente cuando se trataron de
actividades temporales y de impacto acotado.
Para esto, una herramienta muy útil son los inventarios de emisiones. Sin embargo, la confección
de un inventario de emisiones es una ardua tarea de numeración de las fuentes y estimación de
las emisiones de todos los contaminantes relevantes, y en el caso de contaminantes secundarios,
también se deben considerar sus precursores [Pacyna & Graedel, 1995; Harrop, 2018]. Si bien se
encuentran a disposición inventarios de emisiones a nivel global para distintos contaminantes,
no siempre se cuenta con uno a escala local.
En nuestro caso, para fines evaluativos del área, no se precisó un inventario de emisiones de alta
complejidad. Como alternativa, se identificaron las actividades económicas presentes en la zona,
junto a las fuentes puntuales y fuentes de área, las fuentes vehiculares y las fuentes naturales,
prestando especial interés a parques industriales, centrales eléctricas, áreas urbanas, entre otras
fuentes de emisión de contaminantes. Esto permitió generar un conocimiento sobre el área de
estudio que facilitó la interpretación de las mediciones de los contaminantes.
Condiciones meteorológicas
Como se expuso en el marco teórico, las condiciones meteorológicas del clima influyen en el
transporte de los contaminantes afectando sus concentraciones. Analizar este aspecto nos brinda
información respecto a los ciclos anuales, permitiéndonos predecir los comportamientos entre las
estaciones o los fenómenos meteorológicos que puedan provocar eventos extremos para proponer
medidas o políticas proactivas.
Por esto, nos interesó conocer la velocidad media del viento y su dirección más frecuente, y los
cambios que estas dos variables tuvieron a lo largo del día y de las estaciones. Como información
Capítulo 3
48
extra, también resultó conveniente analizar la presión atmosférica, el porcentaje de humedad
relativa y los períodos de lluvia, al igual que el nivel de la radiación solar y las variaciones de la
altura de la capa límite, cuando se contó con la información.
Estos datos suelen ser generados y provistos por los Servicio Meteorológicos oficiales, los cuales
siguen estrictas normas de calidad para el emplazamiento de las estaciones. Sin embargo, en las
estaciones de monitoreo de calidad de aire también es habitual que se registren algunos
parámetros meteorológicos como la humedad y la temperatura. A diferencia de las estaciones
meteorológicas que se emplazan a 10 m de altura como estándar para evitar la turbulencia del
terreno, en las estaciones de calidad del aire no existe un criterio mundialmente establecido. Esta
diferencia en la forma de registrar las condiciones meteorológicas comprometió la posibilidad de
usar estos datos de forma alternada.
Geografía del área
Definir la escala de trabajo y cómo esta se circunscribe en la geografía local nos permitió
comprender mejor los flujos de los contaminantes sobre el relieve. La geografía limita o favorece
el transporte de contaminantes. A microescala ocurre lo mismo con, por ejemplo, la presencia de
edificios altos que funcionan como cañones urbanos o la presencia de áreas costeras o extensas
áreas verdes que aportan humedad al sistema.
Para conocer la composición del terreno, una fuente importante de información geográfica han
sido los Servicios Geográficos nacionales, los cuales tienen como tarea la generación de mapas
con distintos tipos de objetos espaciales. Mediante su estudio se identificaron los flujos de vientos
continentales y marinos, y los efectos del relieve en la circulación de los contaminantes. Para el
análisis a microescala, resultó de gran utilidad la inspección ocular mediante visitas a los sitios de
estudio.
Eventos particulares
Otra cuestión que se tuvo en cuenta fue el análisis de eventos únicos o recurrentes que pudieron
afectar la calidad del aire. Estos eventos suelen ser de origen naturales, como la bruma de mar o
la influencia de un volcán, o antrópicos como la quema de pastizales o la suspensión de suelo por
la actividad agrícola, y se manifiestan como un aumento de las concentraciones de algunas
especias químicas en épocas puntuales del año o como hechos aislados.
Marco normativo
Para la elaboración de este trabajo resultó imprescindible conocer el marco normativo del área de
estudio. La calidad del aire es un problema de salud público y, por lo tanto, se encuentra normada
en una gran cantidad de países. Por ello, fue necesario conocer las leyes vigentes y los planes de
gestión aprobados para cada región.
En los casos donde se contaba con una red de monitoreo, fue conveniente analizar las
circunstancias que llevaron a su implementación. Se buscaron antecedentes de informes y
proyectos de gestión. Esto fue de gran utilidad puesto que en algunos casos las redes estaban
asociadas a planes de mitigación con objetivos puntuales, los cuales brindaban una
caracterización profunda de la problemática en el área.
Propuesta metodológica
49
I. II. Determinación de los objetivos
El establecimiento de objetivos representó un punto de partida para la evaluación de la calidad
del aire. Los objetivos pueden limitarse a una caracterización de la calidad del aire en un tiempo
único en un sitio puntual, o abarcar un período de tiempo y área mayor (por ejemplo, el estudio
de la evolución temporal de un contaminante a lo largo de los años o sobre una región). También,
es posible querer contar con información de la red de monitoreo para mejorar la interpretación
de las mediciones u obtener un pronóstico de las concentraciones en el corto plazo.
Los objetivos que fueron identificados como los más frecuentemente planteados en el estudio de
la calidad de aire son:
• Conocer aspectos del monitoreo terrestre
• Determinar la calidad del aire en los sitios de medición
• Evaluar la evolución temporal de los contaminantes
• Evaluar la distribución espacial de los contaminantes
A continuación, se presenta un desglose de las implicancias de estos objetivos mediante la
formulación de preguntas de estudio que direccionen el análisis. En función de los objetivos que
se seleccionaron para cada caso se establecieron las preguntas de estudio que guiaron el trabajo,
ya que estas se encuentran relacionadas con los algoritmos que se incluyeron o descartaron.
I.III. Delimitación de las preguntas de estudio
En esta tesis se tomó el enfoque de ciencia de datos como un proceso de análisis basado en
responder preguntas mediante datos. En base a esto, se confeccionaron una serie de preguntas
orientativas del análisis. Estas preguntas representaron un conjunto específico de consultas, en
términos de entidades y relaciones, que se hicieron a la base de datos que generamos para cada
uno de los casos de estudio. La elaboración de estas preguntas correspondió al estudio exhaustivo
de la temática y a la revisión de aspectos mencionados en informes técnicos.
Las preguntas que presentamos (Cuadro 2) sirven de base para un abordaje organizado del
estudio de la calidad del aire. Primero, permiten discernir sobre qué datos debemos recopilar en
función del alcance de la pregunta y luego, sobre qué tipos de análisis se deben o pueden realizar
en función de la información disponible. Distintas preguntas requieren diferentes tipos de datos,
lo que marca la diferencia en la recolección de los datos.
Sin embargo, en la práctica no siempre se contó con toda la información necesaria. Esto llevó a
que se deban rever las preguntas a abordar, con el fin de obtener un conjunto final de preguntas
definitiva para cada caso de estudio.
Capítulo 3
50
Cuadro 2. Preguntas orientadas para el análisis de la calidad del aire
Conocer aspectos del monitoreo terrestre
• ¿Qué diseño sigue la red de monitoreo?
• ¿Cuáles son las técnicas utilizadas para el monitoreo?
• ¿Cuál es la calidad de la información recolectada por la red de monitoreo?
• ¿Hay redundancia entre los datos recolectados por las estaciones?
• ¿Cuáles son las características del área de emplazamiento de las estaciones de
monitoreo?
• ¿Cómo influyen los vientos locales sobre los niveles registrados en las
estaciones?
• ¿De qué sector del viento llegan las concentraciones mayores?
Determinar la calidad del aire en los sitios de medición
• ¿Cuáles son los niveles más frecuentes de los contaminantes?
• ¿Las concentraciones de los contaminantes excedieron los límites legales?
• ¿Los valores medidos de los contaminantes ponen en riesgo a la población?
Evaluar la evolución temporal de los contaminantes
• ¿A cuál hora del día es mayor la concentración de los contaminantes?
• ¿Las concentraciones máximas varían a lo largo de la semana?
• ¿En cuál época del año ocurren los episodios de máximas concentraciones?
• ¿Cómo han cambiado los niveles de los contaminantes con los años?
Estudiar la distribución espacial de los contaminantes
• ¿Dónde ocurren las máximas concentraciones?
• ¿Se observa un patrón espacial de las máximas concentraciones?
• ¿Cómo es la calidad del aire donde no se mide?
• ¿La calidad del aire en la región representa un riesgo para la población?
I. IV. Adquisición de los datos
La etapa de adquisición de datos consiste en identificar y obtener los datos requeridos para el
análisis. Los datos pueden provenir de distintas fuentes, por ejemplo, de estaciones de monitoreo
oficiales, imágenes satelitales o sensores de low-cost [Candia et al., 2018]. Sin embargo, cada
fuente de datos presenta sus propias limitaciones. El objetivo de este paso es la identificación de
las fuentes de datos disponibles y reconocer sus posibles aplicaciones [Limaye et al., 2018].
Como punto de partida se buscaron trabajos previos en el sitio de estudio para analizar las fuentes
de datos consultadas con anterioridad. Se revisó la literatura académica, los informes
gubernamentales y las producciones de organizaciones sociales. Esto incluyó también la revisión
de la literatura epidemiológica en la región. En este punto resultó relevante evaluar la
disponibilidad de los datos cuantitativos [Limaye et al., 2018].
Una dificultad que se ha encontrado fue la falta de disponibilidad de la información. En los casos
analizados, no siempre se contó con información de libre acceso. Esta falta de datos limitó las
conclusiones que pudimos obtener. A su vez, la calidad de los datos que utilizamos marcó el
alcance de nuestro trabajo. La calidad de los datos ha tenido una gran importancia en las
conclusiones de nuestra evaluación, otorgando una mayor incertidumbre en algunos resultados.
Propuesta metodológica
51
A continuación, se presenta una breve reseña de fuentes de información con las que se trabajó en
esta tesis:
Datos de monitoreo terrestre
La principal fuente de información de la calidad del aire suelen ser los datos de monitoreo
terrestre continuo brindados por organismos oficiales. Sin embargo, como se mencionó con
anterioridad no siempre se cuenta con ellos y puede resultar difícil el acceso a los registros cuando
estos existen.
Como alternativa, existen comunidades virtuales que buscan garantizar el acceso a los datos de
calidad de aire. Por ejemplo, la comunidad detrás el sitio web Open Air Quality
(www.openaq.org), brindan una plataforma para compartir los datos abiertos de calidad del aire.
Con un espíritu similar, el open-hardware permite el aporte de la comunidad para generar
mediciones a bajo costo. A su vez, la participación directa de la ciudadanía en la vigilancia de los
contaminantes garantiza una mayor sensibilidad en la problemática [Goodchild, 2007]. Esta es
aún una tecnología en fase inicial pero que cuenta con buenas perspectivas de crecimiento [Candia
et al., 2018].
Teledetección y datos de monitoreo satelital
La teledetección aporta una gran cantidad de información de forma periódica con alcance global.
Dependiendo del producto satelital que se utilice, se puede contar con imágenes con pocos días
de diferencia o en tiempo casi real. El uso de datos satelitales puede ayudar a los profesionales de
la calidad del aire a determinar la distribución espacial de las especies químicas e identificar la
ubicación de las concentraciones máximas.
La teledetección satelital aplicada al estudio de la calidad del aire ha tenido un fuerte desarrollo
en los últimos años. Desde 1995 se cuenta con una serie continua de instrumentos que miden los
niveles de los componentes atmosféricos. En la Tabla 5 se detallan los satélites y sensores más
relevantes en el estudio de la calidad del aire para cada especie química.
Como puede verse en la Tabla 5, las primeras mediciones fueron realizadas por el sensor GOME
en el satélite ERS-2 de la ESA, que funcionó entre 1995 y 2011. Manteniendo una continuidad en
la investigación, en 2006 fue lanzado el instrumento GOME-2 a bordo del satélite MetOp-A de
EUMETSAT, aún en servicio. Un segundo GOME-2 está operando desde 2012 en el satélite
MetOp-B. La resolución espacial de estos sensores es baja, pensando su aplicación para estudios
globales.
Capítulo 3
52
Tabla 5. Sensores más utilizados para la determinación de contaminantes criterio.
Especies químicas
Sensor Plataforma Agencia Período operacional
Resolución (km)
Revisita (días)
Aerosoles (AOD)
MODIS TERRA NASA 2000 - 1 x 1 1-2
MODIS AQUA NASA 2002 - 1 x 1 1-2
OMI AURA NASA 2004 - 13 x 24 1
MISR TERRA NASA 2000 - 17.6 x 17.6 9
GOME-2 METOP-A ESA 2006 - 40 x 80 1.5
MSI Sentinel-2 ESA 2015 - 10 m 5
OLCI Sentinel-3 ESA 2016 - 300 x 300m 3
SCIAMACHY ENVISAT ESA 2002 - 2012 30 x 60 6
GOME ERS-2 ESA 1995 - 2003 40 x 320 3
TROPOMI Sentinel-5P ESA 2017- 3.5 x 7 1
OLI Landsat-8 NASA 2013- 30m 16
NO2
OMI Aura NASA 2004 - 13 x 24 1
GOME-2 MEtOp-A-B-C ESA 2007 - 2016 40 x 80 1.5
SCHIAMACHY ENVISAT ESA 2004 - 2012 30 x 60 6
GOME ERS-2 ESA 1995 - 2003 40 x 320 3
TROPOMI Sentinel-5P ESA 2017- 3.5 x 7 1
O3
OMI Aura NASA 2004- 24 x13 1
TES Aura NASA 2004 - 8 x 5 1
SCHIAMACHY ENVISAT ESA 2004 - 2012 30 x 60 6
JASI MetOp ESA 2006- 12 x 12 0.5
GOME-2 MetOp ESA 2006- 80 x 40 1
GOME ERS-2 ESA 1995 - 2003 40 x 320 3
TROPOMI Sentinel-5P ESA 2017- 3.5 x 7 1
SO2
OMPS Suomi NPP NASA 2014 - 3 x 250 4
CrIS Suomi NPP NASA 2014 - 14 x 2 4
OMI Aura NASA 2004 - 24 x13 1
MLS Aura NASA 2004 - 3 x 300 1
GOME-2 MetOp-A-B-C ESA 2007 - 2016 80 x 40 1
IASI MetOp-A-B-C ESA 2007 - 2016 40 x 80 1.5
Propuesta metodológica
53
SCHIAMACHY ENVISAT ESA 2004 - 2012 30 x 60 6
AIRS Aqua NASA 2002 - 2016 50 x 50 1
CO
MLS Aura NASA 2004 - 3 x 300 1
MOPITT Terra NASA 2000- 22 x 22 3
SCHIAMACHY ENVISAT ESA 2004 - 2012 30 x 60 6
AIRS Aqua NASA 2002 - 2016 50 x 50 1
IASI MetOp-A-B-C ESA 2007 - 2016 40 x 80 1.5
TROPOMI Sentinel-5P ESA 2017- 3.5 x 7 1
Las medidas de las misiones MetOp fueron complementadas por el sensor SCIAMACHY a bordo
de la misión Envisat de la ESA, que funcionó entre 2002 y 2012, y el sensor OMI a bordo de la
nave espacial AURA de la NASA, en funcionamiento desde 2004. Como últimas adquisiciones,
entre 2015 y la actualidad fueron puestos en órbita nuevos instrumentos de vigilancia con una
mayor resolución, los satélites Sentinel-2, Sentinel-3 y Sentinel-5P de la ESA. Estos sensores
mejoran la resolución espacial, mostrando una tendencia a evolucionar hacia la aplicación en
estudios de escala urbana.
Los productos de AOD se han desarrollado utilizando datos del TOMS a una resolución de 1°
[Torres et al., 2002], POLDER a una resolución de 1/6° [Leroy et al., 1997], MISR a una resolución
de 17°.6 km [Dinner et al., 1999], MERIS a 10 km de resolución [Mei et al., 2017], VIIRS a 6 km
de resolución [Jackson et al., 2013], Geoestacionario Himawari-8 a 0,05° de resolución [Kikuchi
et al., 2018], y MODIS a 10 km, 3 km [Kikuchi et al., 2018; Gupta et al., 2018] y 1 km de resolución
[Lyapustin et al., 2018]. Los satélites Landsat-8 y Sentinel-2 también brindan la posibilidad de
ser utilizados para recuperar los niveles de AOD con una muy buena resolución (30 m y 10 m,
respectivamente) abriéndose nuevas posibilidades de estudio a futuro [Li et al., 2019].
Para adquirir de manera efectiva mediciones de los contaminantes gaseosos, se han
implementado una amplia cantidad de instrumentos satelitales a bordo de distintos satélites, tales
como el GOME, el SCIAMACHY, el GOME-2 y el OMI. Sin embargo, OMI ha tenido la más amplia
aplicación en estudios locales dada su mayor resolución espacial y temporal [Krotkov et al., 2016;
Levelt et al., 2018]. TROPOMI, a bordo de Sentinel-5P, se encuentra en funcionamiento desde
2017 y mejora a OMI en su resolución espacial (Figura 7).
Capítulo 3
54
Figura 7. Comparación de la resolución espacial de los sensores más usados en el estudio de gases atmosféricos
Como principal dificultad, el trabajo con imágenes satelitales requiere del entrenamiento
especializado de recursos humanos en el desarrollo de habilidades específicas. A su vez, los
procesamientos matemáticos requieren de una alta capacidad de cálculo y el almacenamiento de
los datos consumen mucha memoria, lo cual conduce a la necesidad de obtener recursos
tecnológicos específicos e integrar nuevos saberes técnicos, como son los aportes de la ingeniería
de datos o la geomática [Wang et al., 2011].
En esta tesis se trabajó con los productos de AOD del sensor MODIS, ya que han sido ampliamente
utilizados en el estudio de aerosoles en la atmósfera por su extenso registro temporal a escala
global [Ichoku et al., 2004]. Los archivos se descargaron como paquetes de ficheros que contenían
escenas de datos (múltiples matrices numéricas). Una vez adquiridos, los productos satelitales se
visualizaron y analizaron mediante programas informáticos desarrollados para esta tesis. El
análisis y procesamiento se realizó en todos los casos utilizando el lenguaje de programación R [R
Core Team, 2018].
Otras variables de interés
Ya sea para contextualizar las mediciones de calidad de aire, para explicar los fenómenos
extremos o para predecir los niveles de los componentes atmosféricos, resulta de suma utilidad
contar con otras variables espaciales. A continuación, se presentan las fuentes de información
accesorias utilizadas en este trabajo de investigación.
Datos meteorológicos
Los datos meteorológicos pueden ser datos observados o generados por un modelo numérico. Por
lo general, se cuenta con los datos oficiales provistos por el servicio meteorológico. Sin embargo,
estos datos son tomados en altura, y no suelen ser recomendables para la modelación del
transporte de los contaminantes en superficie a microescala.
Propuesta metodológica
55
Es conveniente que los datos meteorológicos en superficie sean tomados en las mismas estaciones
de monitoreo para que tengan un correlato con las concentraciones registradas de los
contaminantes. Esto permite tener una noción de la influencia del viento sobre las mediciones y
brinda información sobre la influencia de las fuentes de contaminantes en las mediciones, pero
esto no siempre sucede así. En los casos donde no se cuenta con datos meteorológicos medidos in
situ se pueden utilizar datos modelados. Entre los modelos numéricos de pronóstico
meteorológico más conocidos se encuentra el WRF (del inglés, Weather Research and Forecast
Model).
Datos de reanálisis atmosférico
Los datos de reanálisis proporcionan valores para las variables atmosféricas en una grilla continua
que es representativa de la totalidad de la atmósfera. Los reanálisis se elaboran sobre los
resultados de un modelo meteorológico al cual se le incluyen las mediciones históricas realizadas,
mediante un proceso de asimilación de datos. Por lo tanto, el reanálisis resulta mucho más
robusto que el modelo inicial [Deep et al., 2011].
En esta tesis se utilizaron los datos de reanálisis del modelo MERRA-2. El MERRA-2 es un modelo
de reanálisis atmosférico que utiliza el Goddard Earth Observing System, Version 5 (GEOS-5)
[Gelaro et al., 2017]. El GEOS-5 consiste en un grupo de componentes que permiten modelar
distintas variables y parámetros relacionados con la atmósfera como, por ejemplo, la circulación
general de la atmósfera o el transporte químico atmosférico.
Como ventaja, el MERRA-2 simula cinco especies de PM (carbono negro, carbono orgánico, sal
marina, polvo, sulfato) basándose en el modelo de aerosol GOCART (del inglés, Goddard
Chemistry Aerosol Radiation and Transport) [Chin, 2005]. GOCART es un modelo global de
química y transporte que simula los principales tipos de aerosoles troposféricos: sulfato y sus
precursores, OC, BC, polvo y sal marina. El modelo GOCART se describe en detalle en varias
publicaciones [por ejemplo, Chin et al., 2000, 2002, 2007, 2009; Ginoux et al., 2001].
Brevemente, los procesos químicos en el modelo incluyen reacciones en fase gaseosa y líquida que
convierten los precursores de sulfato (sulfuro de dimetilo o DMS y SO2) en sulfato. Los procesos
físicos incluyen la emisión de aerosoles, advección, convección, así como la deposición húmeda y
seca. Las emisiones antropogénicas provienen de los inventarios globales disponibles y las
emisiones naturales se calculan en función de las condiciones meteorológicas [Chin et al., 2009].
Elevación de terreno
Como vimos anteriormente, las características geográficas tienen un rol importante en el
transporte de los contaminantes. Para conocer las características del terreno se puede utilizar los
datos provistos por los modelos de elevación de terreno (MET). Un MET es una representación
en forma de grilla numérica del terreno en relación con un sistema de referencia arbitrario. Este
dato toma relevancia cuando analizamos un área con una geografía marcada.
Clasificación de uso de suelo
La clasificación del suelo según su uso es una forma de ordenamiento sistemático que proporciona
información básica para la formulación y aplicación de planes de gestión. Si bien su empleo es
mayoritariamente agrícola, también se utiliza en otros estudios territoriales como los urbanistas
o de gestión de riesgos.
Capítulo 3
56
En esta tesis, se utilizó para el estudio de caso de Valencia el sistema de clasificación “Corine Land
Cover 2012” a escala 1:100.000, generado para el año 2012. Este mapa pertenece al proyecto
Europeo Corine Land Cover, dirigido por la Agencia Europea de Medio Ambiente.
Módulo II - Etapa de procesamiento
II. I. Preparación de los datos
El propósito de este paso fue asegurar la calidad de los datos que se han seleccionado. Como se
mencionó anteriormente, el hecho de que los datos no presenten anomalías y estén libres de
inconsistencias es un prerrequisito para el éxito de los análisis. Por otro lado, cuanto más y mejor
se conozcan las limitaciones de los datos, más fácil será interpretar los resultados.
La preparación de datos estuvo formada por distintas técnicas como son 1) limpieza de ruido, 2)
imputación de valores perdidos o faltantes, 3) integración y 4) la transformación de datos y su
normalización [Fayyad et al., 1996]. Algunos análisis requieren de forma obligatoria la aplicación
de todas estas técnicas en la preparación de los datos, ya que sin esto los resultados obtenidos de
los algoritmos estadísticos ofrecerían resultados espurios [García et al., 2016]. Sin embargo,
resulta conveniente ser conservadores en cuanto a las modificaciones que se realicen de los datos
de trabajo, siendo preferible cambiar las técnicas antes que aplicar transformaciones o realizar
imputaciones.
Limpieza de ruido
El análisis del ruido en un set de datos es un paso muy importante en la preparación de los datos.
El ruido es un error aleatorio o una variación azarosa de una variable. En consecuencia, las
variables afectadas por el ruido tendrán valores que quedan fuera de los rangos esperados para
esas variables, y por ello son considerados valores atípicos. Los valores atípicos pueden
representar una oportunidad para comenzar una investigación, pues indican eventos particulares
o, simplemente, ser datos incorrectos producto de errores en el registro.
Propuesta metodológica
57
En casos donde el error de entrada es la inclusión de un carácter no válido, este debe ser corregido
alterando la base de datos y registrando la modificación en los metadatos. Otro tipo de valores
atípicos es el que se genera cuando los mensajes de error del instrumental aparecen como
números. Por ejemplo, la repetición del valor 99999 puede ser un mensaje de falla del equipo. En
estos casos, debe ser computado como dato faltante.
Una situación de particular conflicto se genera con el registro de los valores por debajo del límite
de detección. A menudo los valores medidos por debajo del límite de detección del equipo se
registran como cero. Esto no es correcto y resulta muy importante corregir este error en nuestro
set de datos puesto que puede efectuar un sesgo en los análisis paramétricos. Para corregirlo, se
recomienda adoptar el criterio sugerido por la [EPA, 2006] de sustituir los valores iguales a cero
por un tercio de la concentración mínima medida en esa estación dentro del período de estudio.
Hasta aquí se presentaron situaciones particulares que fueron habituales en el abordaje de los
datos generados por el monitoreo automático de la calidad de aire, y su solución es de sencilla
aplicación. Sin embargo, algunas técnicas de medición requieren de soluciones más complejas
para identificar el ruido, eliminarlo o corregirlo.
La aplicación de límites relacionados con la desviación estándar asociada con los datos (por
ejemplo, gráficos de control) no puede utilizarse porque tienen como requisito la normalidad de
los datos [Martínez et al., 2014]. En su lugar, este problema requiere otro enfoque que
generalmente se basa en métodos más complejos, como el uso de las técnicas de Markov Chain
Monte Carlo (MCMC) [Gilks, 1995; Eastoe, 2009; Dominici et al., 2002]. Dada su complejidad,
son pocos los trabajos que utilizan esta técnica, ya que resulta más conveniente adoptar
algoritmos robustos o no paramétricos en el análisis de forma que no se vean afectados por la
presencia de ruido o valores anómalos.
Imputación de valores faltantes
Al trabajar con datos provenientes de sistemas de detección automática fue usual observar valores
faltantes entre los registros. Es decir, nos encontramos una muestra que no presentaba ningún
valor asignado para cierta variable o atributo en un determinado tiempo.
Este problema puede ser atendido de distintas formas que van desde ignorar la existencia de estos
valores faltantes, rellenar manualmente, utilizar estadísticas simples o modelar los datos faltantes
para obtener nuevos valores. En función del porcentaje de datos faltantes y de nuestro objetivo
deberemos elegir un método u otro. Sin embargo, hay que recordar que ninguna técnica es
perfecta y que hay que tener cuidado de no introducir más ruido al modelar los datos faltantes
[Fernández et al., 2018].
Por ejemplo, la Directiva 2008/50/EC de la UE recomienda que en el análisis de las series de
tiempo de las concentraciones de los contaminantes no imputar los datos faltantes, puesto que se
corre el riesgo de obtener medidas resúmenes de datos modelados y no de mediciones reales. En
casos donde hay un porcentaje de datos faltantes elevado se recomienda descartar el día o el mes,
dependiendo del tipo de análisis estadístico que se realice [Directive 2008/50/EC].
Por otra parte, cuando se busca generar mapas de calidad de aire a partir de imágenes satelitales,
es aconsejable rellenar las áreas de la escena donde no se haya podido recuperar el valor de AOD
a través de datos modelados [Goldberg et al., 2019]. En este caso, el modelado contribuye a la
Capítulo 3
58
obtención de una información más completa sobre el territorio para la detección de zonas
conflictivas [Stafoggia et al., 2019].
Integración
Las técnicas de reducción de datos se orientan a obtener una representación reducida de los datos
originales, manteniendo en la mayor medida posible la integridad de la información existente en
los datos. La aplicación de técnicas de integración no se considera estrictamente obligatoria, pero
su utilización suele facilitar la interpretación de los datos [Desarkar & Das, 2018; Gong & Ordieres
Meré, 2016]. Por ejemplo, cuando trabajamos con series de tiempo en algunos casos resultó
conveniente integrar los datos horarios de forma diaria o mensual [García et al., 2016]. Los
promedios anuales se evitaron, pues ocultan los efectos de la variación climática interanual que
tiene una gran importancia en las concentraciones de los contaminantes [Zhang et al., 2018].
Aunque la media suele ser la función de agregación más utilizada, la mediana presenta un mejor
poder descriptivo cuando los datos no siguen el comportamiento normal. Por esto último, algunos
países han preferido utilizar el método del percentil para evaluar la calidad del aire [Salako &
Hopke, 2012]. Dado que la convención en las publicaciones científicas es utilizar la media para
comparar distintos escenarios, se ha buscado comunicar ambos parámetros estadísticos cuando
esto no resultaba confuso para el lector.
Al decidir la forma de integración de nuestros datos fue importante atender a las unidades de
integración que se encuentran expresadas en la normativa, para generar set de datos comparables
con estas. Por ejemplo, para los niveles de O3 se suele trabajar con datos integrados cada 8 hs,
mientras que para SO2, PM2.5 y PM10 en 24hs [World Health Organization, 2006].
Transformación de los datos
Es común en otras disciplinas donde se trabaja con series de tiempo aplicar técnicas de
transformación de los datos para estabilizar la varianza y normalizar la distribución de los datos.
Las transformaciones polinómicas más utilizadas en datos de calidad del aire es la familia de
transformación de Box-Cox [Martínez et al., 2014].
Sin embargo, es una mejor opción no transformar los datos a priori, sino utilizar modelos
matemáticos que se adapten a la distribución estadística que presentan los datos originales. Un
ejemplo de estos modelos son los modelos lineales generalizados (GLM) o los modelos lineales
generalizados mixtos (GLMM) que pueden aplicarse a distribuciones distintas de la normal como
son la distribución de Poisson, binomial, binomial negativa, gamma [Zuur et al., 2009 a; Zuur et
al., 2009 b]. Y en caso de que, teniendo esto en cuenta, la variación de los datos no pueda ser
explicada por el modelo, sería conveniente utilizar un método no paramétrico [Fan & Yao, 2008].
II.II. Generación de los metadatos
Dado que trabajamos con un conjunto de datos que representan variables ambientales de
distintas fuentes resultó conveniente confeccionar metadatos asociados a cada variable o conjunto
Propuesta metodológica
59
de datos. Los metadatos nos permiten recordar y compartir la información recolectada aportando
calidad a la información que los datos albergan. Los metadatos no sólo proporcionan una
definición de los datos o de la variable, también brindan información sobre los tipos de datos, la
fuente original, el formato, las unidades, el proveedor y otras características que tienen que ver
con la definición de la variable [Limaye et al., 2018].
II. III. Selección de algoritmos de análisis y procesamiento de los datos
Una vez adquiridos y pre-procesados los datos se dio paso a la fase de análisis y procesamiento.
Esta etapa del estudio fue guiada por las preguntas que se desprendieron de los objetivos
definidos, de esta forma el ejercicio de la minería de datos confluyó en conclusiones relevantes
para el desarrollo de informes y planes de acción.
En la Tabla 6, se detallan los objetivos específicos que surgieron de los objetivos generales y las
preguntas planteadas. Como se verá a continuación, cada uno de estos objetivos específicos ha
sido abordado en la bibliografía por diferentes técnicas, las cuales, en muchos casos, constituyen
campos enteros de estudio.
Capítulo 3
60
Tabla 6. Dimensiones del análisis de la calidad del aire: objetivos, preguntas de estudio y técnicas.
Objetivos generales
Preguntas Objetivos específicos
Caracterizar aspectos del monitoreo terrestre
¿Qué diseño sigue la red de monitoreo? I Analizar el patrón de la distribución espacial de las estaciones de monitoreo.
¿Cuáles son las técnicas utilizadas para el monitoreo?
II Describir la instrumentación utilizada por parámetro y analizar la calidad de los datos obtenidos por las estaciones de monitoreo. ¿Cómo es la calidad de la información
recolectada por la red de monitoreo?
¿Hay redundancia de información entre las estaciones?
III
Evaluar la redundancia entre las estaciones de monitoreo mediante un análisis de correlación y análisis de componentes principales.
Identificar las estaciones que tienen igual comportamiento mediante análisis clúster jerárquico.
¿Cuáles son las características del área de emplazamiento de las estaciones de monitoreo?
IV Analizar el área de influencia de las estaciones de monitoreo
¿Cómo influyen los vientos locales sobre los niveles registrados en las estaciones?
V Analizar los vientos en las estaciones (rosa de vientos)
¿De qué sector del viento llegan las concentraciones mayores?
VI Analizar los aportes de las fuentes mediante rosa de contaminación, mapa de fuentes de emisiones y modelos de retrotrayectoria.
Determinar la calidad del aire en los sitios de medición
¿Cuáles son los niveles más frecuentes de los contaminantes?
VII
Realizar un análisis exploratorio. Análisis descriptivo con respecto a los niveles guías.
Estudio de la frecuencia y análisis de la frecuencia acumulada de las concentraciones.
Análisis del comportamiento diario, mensual, anual.
¿La concentración de los contaminantes excede los límites legales?
¿Los contaminantes medidos ponen en riesgo a la población?
Conocer la evolución temporal de los contaminantes
¿A cuál hora del día es mayor la concentración de los contaminantes?
¿Las concentraciones máximas varían a lo largo de la semana?
¿En cuál época del año ocurren los episodios de máximas concentraciones?
¿Cómo han cambiado los niveles de los contaminantes con los años?
VIII Evaluación de la tendencia temporal a largo plazo
Evaluar la distribución espacial de los contaminantes
¿Cómo es la calidad del aire donde no se mide?
IX
Generar un modelado espacial con los datos terrestres.
Confeccionar mapas de calidad de aire.
Analizar comportamiento espacial y temporal de las variables desde satélite.
¿Dónde ocurren las máximas concentraciones?
¿Se observa un patrón espacial de las concentraciones?
¿La calidad del aire en la región representa un riesgo para la población?
X Generar mapas de zonas de riesgo a la salud
Propuesta metodológica
61
I. Análisis del patrón de las estaciones
Hay distintos tipos de diseños de muestreo para una red de calidad del aire, por ejemplo, pueden
obedecer a un diseño estratificado, en grilla o puede ser confeccionado a conveniencia de ciertos
requerimientos, como ser denuncias ciudadanas.
El muestreo estratificado es un diseño de muestreo probabilístico en el que se divide a la región
en subgrupos o estratos en función de la caracterización previa. Este tipo de diseño es muy común
y suele ser conveniente cuando se desea obtener información de ciertas áreas bien diferenciadas,
por ejemplo, por sus actividades productivas. Sin embargo, tiene como desventaja que suele sub-
representar las áreas despobladas, dificultando la inferencia estadística a otras regiones no
monitoreadas.
El muestreo en grilla no suele ser utilizado en monitoreos automáticos por el gasto que conlleva
el despliegue de una gran cantidad de estaciones, pero se puede ver en muestreos eventuales, para
caracterizar una zona en un momento particular. Este método tiene como ventaja que ofrece la
mejor representación de toda el área de estudio, brindando suficiente información para aplicar
técnicas de extrapolación espacial.
Por su parte, el muestreo por conveniencia o a criterio técnico es el más utilizado y el que mayor
problema presenta -en términos estadísticos- para generar inferencias a partir de las mediciones.
Cuando se tiene una distribución heterogénea de las estaciones, una zona del territorio se
encuentra sobre-representada por sobre otras, generando un sesgo espacial que se traduce en los
estadísticos que se calculan sin tener en cuenta esta situación.
El análisis de la distribución espacial de las estaciones aportó conocimiento respecto a la
representatividad del monitoreo. Para conocer la distribución espacial de las estaciones se hizo
un análisis de patrones de puntos. El análisis de patrones se fundamenta en la comparación
entre las propiedades de una distribución teórica aleatoria (proceso puntual de Poisson) y las
propiedades de la distribución observada [Dadson, 2017]. El modelo nulo es el proceso puntual
de Poisson, en el cual la intensidad, número de puntos por unidad de área, se asume homogénea
a lo largo de todo el espacio de estudio. Se utilizó como prueba de hipótesis para discernir entre
un patrón homogéneo o heterogéneo la prueba de conteo por cuadrantes (Figura 8).
Capítulo 3
62
Figura 8. Esquema de una distribución espacial a) homogénea y b) heterogénea
La prueba de conteo por cuadrantes consiste en dividir el área en sub-regiones denominadas
cuadrantes de área a1, …, am. Si los conteos de puntos nj para j = 1, …, m son divididos por su
correspondiente área, obtenemos un simple estimado de la función de intensidad (ρ). Así, la
prueba estadística para homogeneidad, asumiendo que es un proceso puntual de Poisson, se basa
en los conteos de los cuadrantes considerando como H0: “La intensidad es homogénea” y como
H1: “Es un proceso Poisson no homogéneo”. Si H0 es verdadera, entonces los nj son realizaciones
de variables aleatorias de tipo Poisson independientes, con valores esperado μj = ρ.aj. Dado que el
número de puntos n = Σj nj y el área total de la ventana a = Σj aj, entonces la intensidad estimada
es ρ̂ =𝑛
𝑎 y el conteo esperado en el j-ésimo cuadrante es 𝑒𝑗 = ρ̂ 𝑎𝑗 =
(𝑛 𝑎𝑗)
𝑎 [Cressie, 1991].
II. Descripción de la instrumentación y análisis de la calidad de los
datos
Los datos obtenidos de los sistemas de medición automática deben representar las
concentraciones reales presentes en el área de estudio. Si no se cuenta con esta certeza, los
resultados obtenidos carecen de validez. Como garantía, resulta conveniente utilizar datos
producidos únicamente mediante métodos de medición certificados y con instrumental
comprobados y aceptados por la comunidad científica, o validados contra estos.
Otro punto crucial para asegurar la calidad de los datos se encuentra en el mantenimiento de las
estaciones de monitoreo. Las calibraciones de los instrumentos, momento en donde se evalúa la
trazabilidad respecto a los patrones absolutos o aceptados de metrología, deben ser periódicos y
realizados por personal competente en el área. Solo con la calibración periódica del instrumental
se garantiza una operación satisfactoria y durante periodos prolongados. Por esto, contar con
informes de la calibración de los equipos de monitoreo es esencial para obtener mediciones
exactas, precisas, comparables, reproducibles y consistentes en el tiempo [PNUMA/OMS 2002].
El problema de la calidad de los datos ha sido objeto de estudio desde varias perspectivas y por
diferentes áreas, como son la estadística, la gestión o la computación [Bianchi, 2009]. Sin
Propuesta metodológica
63
embargo, la literatura sobre este tema comenzó en el contexto de los sistemas de información
[Strong et al., 1997], introduciendo distintos aspectos para su evaluación.
Dado que hay varias dimensiones que hacen a la calidad de los datos resultó interesante tomar
como marco internacional de referencia la norma ISO/IEC 25012. La calidad de los datos se define
en ella como “el grado en que los datos satisfacen los requisitos establecidos por la organización
propietaria del producto” [ISO/IEC 25012:2008]. Estos requisitos vienen dados por el usuario
final de los datos. En nuestro caso, como los datos provinieron de distintas fuentes de
información, se decidió trabajar con la mejor calidad que se encontró disponible de los datos.
En el caso de la gestión de la calidad del aire interesa, en particular, evaluar la completitud del set
de datos y su consistencia. La completitud viene dada por la proporción de datos almacenados.
Para aquella información que fue omitida, nos interesó conocer la causa de su omisión. La
existencia de valores nulos influye en el análisis de los datos que se lleva a cabo, ya que al obtener
estadísticas de estos se hace necesario dejar de lado los registros faltantes [Bianchi, 2009]. A
modo de ejemplo, un cúmulo de valores nulos en las épocas del año donde se presentan las
máximas concentraciones de un contaminante puede generar un descenso de la media.
Por su parte, el parámetro de la consistencia captura la satisfacción de reglas definidas sobre los
datos. Las variables medidas siguen comportamientos que son propios del fenómeno que se
estudia, en función de sus características físicas y químicas. Por ejemplo, la concentración es una
unidad de medida que relaciona la masa con el volumen, siendo incorrecta la presencia de valores
negativos. Si bien las inconsistencias debieron ser identificadas y corregidas en el paso I del
módulo II, en este apartado nos interesa conocer cuánto afectan a la calidad del set de datos.
Como se mencionó, en algunos países existe una clara reglamentación respecto a la tolerancia que
se debe tener para el porcentaje de datos faltantes, debiendo ser descartados del estudio aquellas
estaciones que presenten ausencias de registros por encima del límite establecido. Por ejemplo,
en la [Directiva 2008/50/CE] se establece como límite para los datos omitidos o erróneos un 15%
de las medidas totales durante el período seleccionado, sobre la base del 90% de los datos
capturados anualmente.
III. Evaluación de la redundancia
La redundancia de los registros generados por distintas estaciones es una característica no
deseada en una red de monitoreo, puesto que implica un costo económico para sostener el registro
de las concentraciones en sitios que no aportan información nueva. En una situación ideal, cada
estación de monitoreo aporta información relevante y no duplicada con las demás estaciones de
monitoreo, pudiendo en conjunto generar la imagen más descriptiva de la situación de los niveles
de los contaminantes y sus variaciones [Pires et al., 2008a, Pires et al., 2008b].
A continuación, se presentan una serie de procedimientos que sirvieron para identificar las
estaciones que recolectaban información redundante.
Capítulo 3
64
Análisis de correlación
El análisis de la correlación se utiliza para medir la fuerza de la relación entre dos variables.
La correlación puede revelar la presencia potencial de un origen compartido u otra relación
causal. El estudio de correlación se puede utilizar como un análisis preliminar, mediante el cual
se determina si hay estaciones de control redundantes en la red. Una correlación fuerte es un
indicio de redundancia.
Existen diferentes coeficientes de correlación para cuantificar la fuerza de la relación entre dos
conjuntos de datos. El más utilizado es el factor de correlación de Pearson (r), que se centra en la
covarianza entre las variables. El factor de correlación de Pearson viene dado por la ecuación:
𝑟 = ∑ (𝑥𝑖 − �̅�)(𝑦𝑖 − �̅�)𝑛
𝑖=1
√∑ (𝑥𝑖 − �̅�)2𝑛𝑖=1 ∑ (𝑦𝑖 − �̅�)2𝑛
𝑖=1
donde �̅� es la media de la variable X, �̅� es la media de la variable Y, i es la posición de la
observación y n el número total de observaciones.
Los coeficientes paramétricos, como el factor de correlación de Pearson, proporcionan una prueba
estadística más potente que los coeficientes no paramétricos. Sin embargo, no son robustos
respecto a los datos atípicos y generan sesgo cuando se trabaja con un conjunto de datos sin
distribución normal [Yang et al., 2011, Chen et al., 2015]. Por ello, elegimos incorporar en los
análisis el uso del factor de correlación de rango de Spearman (rs) que es un coeficiente no
paramétrico, tolerante a la pérdida de normalidad y robusto con respecto a los datos extremos.
Para calcular el factor de correlación de Spearman, los datos son ordenados y reemplazados por
su respectivo orden. El estadístico rs viene dado por:
𝑟𝑠 = 1 − 6 ∑ 𝐷𝑖
2𝑛𝑖=1
𝑛(𝑛2 − 1)
donde Di es la diferencia entre los pares ordenados de x e y, y n es el número de parejas de datos.
Análisis de PCA
La técnica de Análisis de Componentes Principales (PCA) es una técnica ampliamente
utilizada para la reducción de la dimensionalidad de un conjunto de datos, lo que permite explicar
la mayor parte de la variabilidad utilizando menos variables [Pires et al., 2008a, Pires et al.,
2008b]. En este sentido, la técnica de PCA se aplica como método de clasificación, identificando
las variables que contengan un alto porcentaje de variabilidad común.
El primer paso de PCA es la selección del número de componentes principales (PCs).
Comúnmente, se utiliza para este propósito el criterio de Kaiser, que selecciona PCs con valores
propios superiores a 1 [Yidana et al., 2008]. Sin embargo, este criterio no suele alcanzar el 90%
de la varianza original de los datos, por tanto, se propone como criterio seleccionar PCs que
representen al menos el 70% de la varianza original de los datos [Mendiguchía et al., 2004, Pires
et al., 2008a, Pires et al., 2008b]. Este procedimiento permite utilizar más información de los
datos originales en los PCs seleccionados y, por lo tanto, aumentar la confianza de los resultados
[Pires et al. 2009].
Propuesta metodológica
65
El PCA se puede realizar sobre el set de datos o sobre la matriz de correlación. Este último caso
presenta grandes ventajas cuando se trabaja con una gran cantidad de datos faltantes, existe una
falta de centralidad en el conjunto de datos o difiere la varianza de los datos entre las estaciones
[Pires et al. 2009].
Finalmente, las cargas de los factores rotados (por ejemplo, aplicando el algoritmo de rotación
Varimax) indican la influencia de cada variable en los PCs. Luego, la influencia de las variables
originales de cada PC se interpreta como fuerte, moderada y débil para valores de carga absoluta
> 0,75, 0,75-0,5 y 0,5-0,3, respectivamente [Liu et al., 2003]. Una elevada influencia sobre el
mismo factor por 2 estaciones distintas es indicador de redundancia en su información.
Análisis de conglomerados jerárquicos
El análisis de conglomerados es una técnica estadística multivariante que está encontrando una
creciente aplicación en la investigación científica [Arora & Varshney, 2016]. El enfoque consiste
en dividir un conjunto de datos en varios grupos que son distintos en términos de valores de grupo
típicos de las variables. El objetivo de los análisis cluster es maximizar la varianza entre grupos y
minimizar la varianza dentro del grupo [Andenberg, 1973].
Los métodos de cluster se dividen en dos familias: jerárquicos y no-jerárquicos. Para nuestro
estudio, resulta conveniente adoptar un método de aglomeración jerárquica para agrupar las
estaciones, ya que no es necesario definir el número de cluster a priori y permite generar una
clasificación por niveles de similitud (Figura 9).
Figura 9. Esquema de clúster jerárquico en estaciones de monitoreo
Los resultados del análisis de cluster suelen estar representados por un dendrograma [Yidana
et al., 2008]. De esta forma, la agrupación jerárquica permite determinar si cada estación de
monitoreo, potencialmente redundante, tiene un sitio alternativo que pueda reemplazarla.
Capítulo 3
66
IV. Analizar el área de influencia de las estaciones de monitoreo
La calidad del aire está vinculada a las fuentes de emisión presentes en áreas vecinas a los sitios
de monitoreo. A su vez, estas fuentes de emisión generan distintos contaminantes asociados a su
actividad productiva. Conocer las características de las áreas circundantes a las estaciones de
monitoreo nos permitió reconocer su impacto en los sitios de monitoreo.
Una herramienta útil para esto es contar con un inventario de emisiones del tipo bottom-up
(del inglés, de abajo hacia arriba), en el cual se puedan localizar las principales fuentes de emisión
cercanas a la estación de monitoreo [Gaitán Varón & Cárdenas Ruiz, 2017]. Sin embargo, como se
mencionó anteriormente, no siempre se cuenta con ellos. Una información complementaria son
los mapas de uso de suelo que brindan información sobre el paisaje del territorio estudiado.
Distintas agencias gubernamentales y grupos de investigación brindan mapas de uso de suelo a
nivel global. Entre los proveedores más conocidos, podemos mencionar: la agencia europea
Copernicus que ofrece un mapa de usos de suelo global, conocido como Global Land Cover, con
una resolución de 100m [Büttner et al., 2004]; la NASA que brinda un mapa de cobertura del
suelo (producto MCD12Q1) con una resolución de 500 m, basado en la clase dominante en el
período 2001-2010 [Channan et al., 2014]; la USGS que ofrece el mapa de usos de suelo GLCC
(del inglés, Global Land Cover Characterization) generado a partir de las mediciones anuales del
sensor AVHRR.
V. Análisis de los vientos
El estudio de los vientos aportó conocimientos determinantes sobre la distribución y la dispersión
de los contaminantes. Las condiciones climáticas influyen de forma directa sobre la generación,
permanencia, movimiento y dispersión de los gases y partículas presentes en el aire. Mientras que
una situación de calma y alta incidencia solar, favorecen a la acumulación de contaminantes
secundarios, vientos fuertes pueden dispersar los contaminantes lejos de su fuente de emisión.
La rosa de vientos es una representación habitual de la frecuencia e intensidad de los vientos
desde los distintos ángulos de procedencia. Los sectores o cuadrantes de la rosa de vientos
muestran el origen del viento, mientras que los colores indican su intensidad. Esta representación
nos permitió estudiar las velocidades y direcciones del viento más frecuentes en cada sitio de
monitoreo.
VI. Análisis de los aportes de las fuentes a las estaciones
Una primera aproximación de las actividades productivas que contribuyeron a las máximas
concentraciones en nuestros sitios de medición se obtuvo mediante el análisis de las rosas de
contaminación junto a un mapa de las fuentes de emisiones.
Con la misma composición gráfica que la rosa de vientos, en la rosa de contaminación, se indica
la frecuencia de las direcciones de incidencia del viento y las concentraciones de los
contaminantes en rangos mediante colores y su frecuencia de aparición [Vardoulakis et al., 2007;
Ratto et al., 2006]. De esta forma, una misma gráfica resume 3 características claves para
comprender mejor los sectores del viento desde donde suceden los aportes de los contaminantes
Propuesta metodológica
67
en el sitio de medición (Figura 10). Si esta información se superpone en un mapa, podemos
distinguir las fuentes de emisiones dado que se posicionan siempre a barlovento del sitio de
monitoreo.
Como los datos no se encuentran distribuidos linealmente, la clasificación de cuantiles no es
adecuada para la selección de los intervalos de clasificación de las concentraciones. Para esto
resulta conveniente utilizar el algoritmo de rupturas naturales de Jenks [Jenks, 1967]. Los cortes
de clase se caracterizan porque agrupan mejor los valores similares y maximizan las diferencias
entre clases. El parámetro, en nuestro caso la concentración, se divide en clases cuyos límites
quedan establecidos dónde hay diferencias considerables entre los valores de los datos [Smith et
al., 2015].
Figura 10. Ejemplo de una rosa de contaminación.
Una solución más compleja nos la brindan los modelos de tipo receptor. Estos modelos se
utilizan para determinar las contribuciones directas de diversas fuentes de contaminación
atmosférica a las concentraciones ambientales medidas en un solo receptor a escala urbana o a
menor escala Se han desarrollado diversos modelos de receptores para identificar
cualitativamente y estimar cuantitativamente las contribuciones de las fuentes [Thurston y
Spengler, 1985; Paatero y Tapper, 1994; Watson et al., 2001; Kim y Henry, 2000].
A una escala mayor, los modelos de retrotrayectoria se han utilizado generalmente en
estudios de contaminación atmosférica para determinar las zonas de origen de los contaminantes
medidos en un punto de muestreo. Mediante un modelo numérico se calcula el recorrido que
sufrió la masa de aire en el tiempo (varios días). El modelo híbrido de Trayectoria Integrada
Lagrangiana de una sola partícula (HYSPLIT, Hybrid Single-Particle Lagrangian Integrated
Trajectory), desarrollado por el Air Resources Laboratory de NOAA, es uno de los modelos más
utilizados para los cálculos de trayectoria y dispersión atmosférica [Stein et al., 2015]. Puede
utilizarse para modelar el flujo, la dispersión y la deposición de plumas de contaminantes
químicos y radiológicos.
En este trabajo nos hemos limitado a la etapa de identificar posibles fuentes mediante las rosas
de contaminación, dado que resultan un excelente primer paso a los modelos más complejos. Sin
embargo, es posible incorporar estas nuevas fases a futuros trabajos.
Capítulo 3
68
VII. Análisis exploratorio de los datos
El análisis exploratorio de los datos implicó el cálculo de los principales estadísticos
descriptivos (valor mínimo, media, mediana, máximo) para cada contaminante por estación de
monitoreo. Con esta información fue posible identificar las estaciones que presentaron una mayor
variabilidad y concentración media mayor a lo largo del período de estudio.
También resultó conveniente realizar un estudio de la frecuencia y un análisis de la frecuencia
acumulada de las concentraciones para identificar las más frecuentes dentro del período. Los
datos de calidad del aire presentan, por lo general, una distribución de probabilidad positiva
continua, donde se observa una proporción más alta de bajas concentraciones, disminuyendo la
probabilidad de ocurrencia de las concentraciones más altas. Las concentraciones de
contaminantes atmosféricos suelen presentar una función de distribución gamma [Bakhtiarifar
et al., 2017] o lognormal [Hasenfratz et al., 2015].
Con el fin de evaluar el cumplimiento de las normativas en calidad de aire y el riesgo a la salud, se
compararon las mediciones en cada estación con la normativa local y con las recomendaciones de
la OMS. En esta etapa se realizaron distintos tipos de gráficas que facilitaron el entendimiento del
comportamiento de los datos. Por ejemplo, las gráficas de tipo violín que muestran la distribución
de los datos y las gráficas tipo box-plot que permiten visualizar los principales percentiles.
Los perfiles temporales estudiados fueron (i) perfiles mensuales, (ii) semanales y (iii) por hora,
y por estación de monitoreo y contaminante. Si bien la mediana es un estadístico más robusto, se
utilizó por convención la media como parámetro de agregación.
VIII. Evaluación de la tendencia temporal a largo plazo
Un estadístico relevante para la implementación de políticas públicas es la tendencia a largo plazo
de las medias mensuales. La tendencia temporal da cuenta del crecimiento o decrecimiento de un
parámetro a lo largo del tiempo, considerando un comportamiento lineal.
Las tendencias de los promedios mensuales de las concentraciones de los contaminantes se
pueden analizar en cada estación de monitoreo utilizando la función Theil-Sen [Theil, 1950; Sen,
1968]. Este método prueba la significación estadística de las tendencias observadas y la magnitud
de la tendencia, mediante el cálculo de las pendientes entre todos los pares de puntos (x, y) del
conjunto de datos (siendo x el tiempo en meses e y la concentración media mensual del
contaminante) y luego la estimación Theil-Sen de la pendiente que describe la mediana de todas
estas pendientes [Carslaw y Ropkins, 2012].
Para los contaminantes que presentan un comportamiento cíclico se desestacionalizaron las
series de datos utilizando el método STL (Desestacionalización de tendencias estacionales
mediante el alisado de LOESS) para controlar las fluctuaciones [Carslaw y Ropkins, 2012].
Propuesta metodológica
69
IX. Análisis del comportamiento espacial de la contaminación
atmosférica
Desde el enfoque de la geoestadística, la concentración de un contaminante en el aire puede
entenderse como una variable regionalizada, es decir, posee un comportamiento estocástico no
puro. En contraposición con una variable completamente aleatoria, una variable regionalizada
presenta cierto grado de autocorrelación, pero su comportamiento espacial es complejo para ser
descritos por una función determinística. Esta consideración nos permite, cuando se cuenta con
una gran cantidad de puntos, realizar análisis geoestadísticos como los métodos de interpolación
espacial y de simulación [Deutsh y Journel, 1992]. Sin embargo, la baja densidad de puntos hace
que los modelos presenten errores groseros, lo cual lleva a analizar otras soluciones.
Una mejor solución se obtiene mediante la implementación de modelos de regresión
multivariables. En los últimos años, los land use regression models (LUR) han ganado
protagonismo para modelar los contaminantes atmosféricos utilizando distintas técnicas de
regresión como son Modelos Lineales Mixtos Generalizados (GLMMs) [Yang et al., 2018 a],
Modelos Aditivos Generalizados (GAMs) [Hasenfratz et al., 2015; Hastie, 2017] y algoritmos de
machine learning [Ni et al., 2018; Li et al., 2017; Hu et al., 2017; Huang et al., 2018; Chen et al.,
2018]. A continuación, veremos en mayor detalle la construcción de modelos LUR utilizando
Random Forest, un potente algoritmo de machine learning.
Modelos de regresión multivariables LUR
Los modelos LUR combinan el monitoreo de la contaminación del aire en un pequeño número
de estaciones y el desarrollo de modelos estocásticos utilizando variables predictoras obtenidas
generalmente a través de teledetección y sistemas de información geográfica (SIG) [Hoek et al.,
2008; Cowie et al., 2019]. El uso integrado de estos datos permite obtener una mejor comprensión
de la variación espacial y temporal de los contaminantes que con cualquiera de estas fuentes por
separado.
La mayoría de los estudios evalúan un gran conjunto de variables predictoras potenciales para
modelar las concentraciones de los contaminantes. Los datos de predicción utilizados con mayor
frecuencia incluyen: información de la cubierta del suelo, el tráfico vehicular, la distribución de la
población, la elevación del terreno y las características meteorológicas [Hoek et al., 2008; de
Hoogh et al., 2014; Mavko et al., 2008; Beelen et al., 2013].
A su vez, como se vio anteriormente, las imágenes satelitales aportan una buena cantidad de
información relevante para el estudio de la calidad del aire, si bien su inclusión debe considerar
dos grandes cuestiones. Por un lado, la resolución espacial de las imágenes debe ser buena para
otorgar detalle a la escala urbana. Y por otra parte, debe ser viable la validación de los datos con
mediciones locales.
La secuencia de pasos para la implementación de un modelo LUR contempla: 1) la selección del
conjunto de variables predictoras para el modelo, 2) la validación de las imágenes satelitales; 3)
entrenar el modelo con un set de datos de entrenamiento (80% del total de los datos); 4) evaluar
el ajuste del modelo contra un set de datos de prueba (20% restante).
Capítulo 3
70
Selección de las variables predictoras
En estudios previos, se ha observado que las variables predictoras seleccionadas para la
incorporación en los modelos LUR difieren sustancialmente entre las distintas aplicaciones, sin
mostrar un patrón de preferencia por ninguna de ellas. Esto puede estar relacionado con la
disponibilidad de los datos, las características únicas del área de estudio (por ejemplo, las
variaciones en el relieve) y con las decisiones arbitrarias que el personal técnico realizó en su
confección. Por lo general, se espera que el modelo sea “alimentado” con más de 10 variables
predictoras, y que se tenga conocimiento de las mismas de forma extensiva sobre el territorio.
Validación de las imágenes satelitales
Las mediciones de AOD se calibraron utilizando datos de fotómetros solares provistos por la red
de AERONET. Los instrumentos AERONET miden AOD usando dos protocolos diferentes. Uno
de ellos deriva el AOD midiendo la radiación entrante del haz directo del sol, mientras que el
segundo protocolo utiliza mediciones de radiación difusa desde varias direcciones del cielo para
derivar el AOD. Estas mediciones se realizan varias veces por hora en función del ángulo del sol.
Los datos de AERONET AOD se calculan para tres niveles de calidad diferentes: Nivel 1 (datos
crudos sin calibración), Nivel 1.5 (datos donde se han extraído las nubes automáticamente) y Nivel
2 (datos sin nubes, calibrados e inspeccionados manualmente). Es recomendable que los datos de
AERONET que se utilicen para la validación procedan únicamente de mediciones directas de la
radiación solar con calidad de Nivel 2.
La validación de AOD se realizó por el método de interpolación cuadrática, utilizando las
longitudes de onda más cercanas de AERONET a la longitud de onda empleada para las
mediciones satelitales [Prasad et al., 2007]. La relación empírica entre AOD y la longitud de onda
de la luz incidente viene dada por la ecuación formulada por Ångström (1929):
𝜏𝜆1
𝜏𝜆2
= (𝜆1
𝜆2
)−𝛼
donde τ es la profundidad óptica del aerosol a la longitud de onda (λ) y α se conoce como el
coeficiente de Ångström, que normalmente es un indicador del tamaño de la partícula del aerosol.
La coincidencia espaciotemporal es una condición esencial para la comparación [Ichoku et al.,
2002]. Por ello, para productos diarios, resulta preciso obtener la información de las horas de
paso de los satélites, y utilizar las mediciones realizadas por AERONET dentro de un rango menor
de 30 min de cada paso de órbita [Petrenko et al., 2012]. Como existe una inconmensurabilidad
entre los datos puntuales generados por AERONET y los valores medidos por satélite que
representan áreas, resulta conveniente generar un buffer en torno a la estación y promediar los
valores medidos por el sensor en esa superficie para relacionarlo con los datos de AERONET
[Ichoku et al., 2004]. Si bien no existe un criterio para el tamaño del buffer a utilizarse, el diámetro
suele ser entre 2.5 y 3 veces el lado del píxel [NASA, 2009; Prasad et al., 2007] (Figura 11).
Propuesta metodológica
71
Figura 11. Esquema representativo de la imagen
satelital, la estación de monitoreo y el área de influencia.
En el caso de las mediciones satelitales de gases, resulta mucho más compleja su validación. Si
bien, no es preciso realizar validaciones contra mediciones en tierra, ya que su algoritmo de
recuperación incluye modelos de dispersión atmosféricos, se puede calibrar su medición contra
campañas atmosféricas realizadas por aeronaves. Sin embargo, como estos datos no se
encuentran disponibles de forma extensiva, no es una práctica habitual incluir la validación de
estos productos en los trabajos [Laughner et al., 2016].
Entrenamiento del modelo
La bibliografía muestra un amplio uso de técnicas para el desarrollo de los modelos. Una gran
cantidad de los estudios utilizan técnicas de regresión lineal estándar [Hoek et al., 2008;
Henderson et al., 2007; Meng et al., 2016; Li et al., 2011], modelos aditivos generalizados
[Paciorek et al., 2008] o modelos mixtos [Zhang et al., 2018; Shtein et al., 2018; Lee et al., 2011;
Yap and Hashim, 2013] para desarrollar modelos de predicción. A menudo se aplican métodos de
selección automática de subconjuntos hacia adelante [Schikowski et al., 2017] o hacia atrás para
desarrollar un modelo parsimonioso a partir de un gran conjunto de variables predictoras que
maximizan el porcentaje de variabilidad explicada (R2). Los trabajos más recientes aplican
algoritmos de inteligencia artificial como redes neuronales [Ni et al., 2018; Li et al., 2017; Gupta
& Christopher, 2009; Mao et al, 2017] o Random Forest [Zhao et al., 2019; Hu et al., 2017; Huang
et al., 2018; Chen et al., 2018].
Los modelos de regresión de Random Forest (RF) tienen una alta precisión en la predicción,
son rápidos de entrenar, relativamente robustos a los valores atípicos y difíciles de sobreentrenar
[Breinman, 2001]. El algoritmo de RF se puede utilizar sin necesidad de ajustar los parámetros
del algoritmo, aunque a menudo se puede obtener fácilmente un mejor modelo de clasificación
mediante la optimización de pocos parámetros. Como ventaja adicional, brinda la importancia de
las variables incluidas en el modelo para predecir la variable en estudio, produciendo así
resultados más interpretables que otros algoritmos de machine learning como con las redes
neuronales [Hu et al., 2017].
El modelo Random Forest está basado en la combinación de múltiples árboles de decisión
[Breinman, 2001]. Para cada árbol de decisión, crea un conjunto de entrenamiento (bootstrap)
diferente mediante el muestreo aleatorio del conjunto de datos, que contiene aproximadamente
dos tercios de los datos originales (Figura 12).
Capítulo 3
72
El árbol de decisión avanza utilizando el conjunto de datos del bootstrap mediante particiones
recursivas. Cada nodo del árbol representa una prueba binaria contra la variable predictiva
seleccionada, del tipo Xi > t donde t representa un valor al azar dentro del dominio de la variable.
Los nodos terminales contienen el número máximo especificado de ejemplos de los que se obtiene
el valor predicho mediante un promedio.
Figura 12. Esquema de funcionamiento de un árbol de decisión para el problema de regresión y la división de los datos de entrada en el algoritmo k-fold cross-validation
Una buena forma de mejorar los modelos predictivos es mediante la validación cruzada
[Rodríguez et al., 2010]. En la validación cruzada (k-fold cross-validation), la muestra original se
divide aleatoriamente en k submuestras de igual tamaño. Mientras una de las submuestras se
conserva para la validación del modelo, las submuestras k-1 restantes se utilizan como datos de
entrenamiento del modelo. El proceso de entrenamiento se repite k veces. Cada una de las
submuestras se utiliza una única vez tanto en el entrenamiento como en la validación (Figura
12).
Evaluación el ajuste del modelo
Evaluar la bondad de predicción de un modelo es el último paso antes de su implementación. La
evaluación es, en general, un procedimiento complejo [Chang y Hanna, 2004] que comprende
diferentes etapas (evaluación científica, verificación de códigos, validación de modelos, análisis
de sensibilidad, etc.). Los modelos aplicados para la evaluación reglamentaria de la calidad del
aire se evalúan comúnmente sobre la base de comparaciones con las observaciones.
Este proceso de evaluación se conoce como análisis de desempeño estadístico, ya que mediante
distintos indicadores estadísticos y el análisis gráfico se determina la capacidad del modelo para
reproducir las concentraciones medidas. Aunque la comparación entre las concentraciones
modeladas y las observadas no puede dar una visión completa de las propiedades del modelo, se
considera un buen primer paso en la evaluación del desempeño del modelo [Derwent et al., 2010;
Irwin et al., 2008.
Propuesta metodológica
73
Existen distintos parámetros para evaluar un modelo pero, en general, se comparan los valores
obtenidos del modelo con un conjunto de mediciones no utilizados para su construcción. A
continuación, mencionaremos los parámetros utilizados en esta tesis (Tabla 7).
El error cuadrático medio (RMSE), el error absoluto medio (MAE) y el error
porcentual absoluto medio (MAPE) vienen dados por las fórmulas presentadas en la Tabla
7, donde n es el número de pares de datos, e es el valor estimado y m es el valor medido. Estas
medidas pueden servir como parámetros de la exactitud del modelo, pues miden la distancia al
promedio.
Por otra parte, el sesgo (BIAS) nos proporciona información sobre la tendencia del modelo, a
sobreestimar o subestimar un variable, otorgando una medida de la fiabilidad del modelo. Debido
a que BIAS carece del término en valor absoluto o al cuadrado, se permite la cancelación de
errores individuales positivos y negativos, poniendo en evidencia solamente el exceso y, por tanto,
cuantifica el error sistemático del modelo.
Tabla 7. Parámetros estadísticos para evaluar la bondad de ajuste de un modelo. Donde n es el número de pares de datos, e es el valor estimado y m es el valor medido.
Descripción Símbolo Fórmula
BIAS BIAS 1
𝑛∑(𝑒𝑖 − 𝑚𝑖)
𝑛
𝑖=1
Error cuadrático medio RMSE √1
𝑛∑(𝑒𝑖 − 𝑚𝑖)
2
𝑛
𝑖=1
Error absoluto medio MAE 1
𝑛∑|𝑒𝑖 − 𝑚𝑖|
𝑛
𝑖=1
Error porcentual absoluto medio MAPE 100
𝑛∑
|𝑒𝑖 − 𝑚𝑖|
𝑚𝑖
𝑛
𝑖=1
X. Mapas de riesgo
Como se mencionó en el marco teórico, para calcular la mortalidad provocada por la
contaminación del aire se han confeccionado distintas funciones de riesgos relativos (RR), a partir
de un gran número de trabajos en distintas ciudades y con tiempos promedios de estudio
diferentes [Ostro & World Health Organization, 2004; Pope et al., 2002].
El RR es la probabilidad de que se produzcan efectos sobre la salud (por ejemplo, mortalidad por
todas las causas, mortalidad por cáncer de pulmón) en una población expuesta a un nivel de
contaminación atmosférica superior al que se considera de fondo [Ostro & World Health
Organization, 2004], 10 µg.m-3 para PM10 y 3 µg.m-3 para PM2.5). En la Tabla 8 se pueden ver las
funciones de RR y los valores obtenidos para β en función de la métrica de exposición y del tamaño
de PM evaluado.
Capítulo 3
74
Tabla 8. Métrica de exposición y funciones de riesgo relativa recomendados. Editado de [Ostro & World
Health Organization, 2004]. Donde X es la concentración media anual medida o modelado de PM (μg.m−3),
X0 es la concentración base para una población sin exposición (3 μg.m-3 para PM2.5 y 10 μg.m-3 para PM10) y
β es el factor de pendiente.
Métrica de exposición Función de riesgo
relativo
Coeficiente β (95% de IC)
Subgrupos
Todas las causas de muerte por exposición a corto plazo de PM10
𝑅𝑅 = 𝑒𝛽 (𝑋− 𝑋0) 0.0008 (0.0006, 0.0010) Todas las edades
Mortalidad respiratoria por exposición a corto plazo de PM10
𝑅𝑅 = 𝑒𝛽 (𝑋− 𝑋0) 0.0016 (0.0003, 0.0030) Edad< 5 años
Mortalidad cardiopulmonar por exposición a largo plazo de PM2.5 𝑅𝑅 = (
𝑋 + 1
𝑋0 + 1)
𝛽
0.155 (0.056, 0.025) Edad > 30 años
Cáncer de pulmón por exposición a largo plazo de PM2.5 𝑅𝑅 = (
𝑋 + 1
𝑋0 + 1)
𝛽
0.232 (0.086, 0.379) Edad > 30 años
Un RR mayor de 1 indica un aumento respecto a una población control. De esta forma, el RR tiene
una interpretación intuitiva, un RR igual a 2 expresa que el riesgo es el doble al de un grupo
control.
Una vez determinado el RR, se puede conocer la fracción atribuible de muertes (FAM) que es la
proporción de muertes por una dada enfermedad que podrían evitarse si los niveles del
contaminante se reducen:
𝐹𝐴𝑀 = (𝑅𝑅 − 1)
𝑅𝑅
Propuesta metodológica
75
Módulo III - Etapa de comunicación de los resultados
III. I. Análisis de los resultados
Muchas veces el análisis de los resultados obtenidos hizo que se vuelva a la fase de
preprocesamiento para obtener más datos o más atributos. Para que el proceso confluya, fue
esencial tener el conjunto de datos preprocesados, los metadatos correspondientes elaborados y
los algoritmos elegidos. Esta etapa final del proceso ha sido crucial en nuestro trabajo y por ello
se le ha brindado especial detalle en cada uno de los casos estudiados.
III.II. Reportes y Visualizaciones
Como última etapa se elaboraron informes y visualizaciones para resaltar los resultados obtenidos
en los pasos anteriores.
La comunicación de los resultados es el mayor desafío del proceso, ya que requiere mostrar
grandes conjuntos de datos de diferentes tipos y múltiples fuentes a personal técnico o no experto
que no siempre conocen la complejidad de los datos o de los análisis realizados [Yeganeh et al.,
2017]. Es, por tanto, necesario que los reportes sean comprensibles para un público amplio y
autodescriptivos. Esta es la única parte del proceso analítico que llega a la audiencia. Y que incluso
cuando las conclusiones pueden resultar evidentes, el público también juega un papel central en
la interpretación de los resultados.
No es aconsejable que el mensaje suene apocalíptico, transmitiendo una amenaza a la cual no se
puede hacer frente. Por el contrario, el mensaje es más efectivo cuando la percepción del peligro
no excede la percepción de los recursos o de las capacidades para enfrentarlo [Brulle, R. J.
(2010)].
La mala presentación de las conclusiones puede oscurecer cuestiones clave y sesgar las
percepciones del público sobre la calidad del aire [Ma et al., 2012]. La comunicación efectiva
requirió la identificación de puntos específicos del análisis que se desearon mostrar. En este
Capítulo 3
76
sentido, fue necesario dejar de lado los gráficos exploratorios elaborados para comprender las
relaciones más profundas del conjunto de datos. Asimismo, se descartaron las visualizaciones
diseñadas exclusivamente para el análisis exploratorio [Knaflic, 2015].
La representación visual que se seleccione debe proporcionar una imagen clara de los patrones y
relaciones descubiertos facilitando la interpretación y comprensión de la información por parte
de la audiencia. Es aconsejable que la presentación de los datos pueda ser presentada en forma
de narración y con una presentación visual adecuada [Ma et al., 2012]. A continuación, se
presentan algunos ejemplos de las visualizaciones más utilizadas que ya fueron introducidas en
el texto.
El gráfico más utilizado para visualizar las relaciones entre distintas variables es el dendrograma
que se ha visto en la Figura 9. Este tipo de representación es particularmente útil para presentar
la disposición de los clusters producidos por las técnicas de agrupación jerárquica. Cuando se
desea mostrar la agrupación de las estaciones de monitoreo, puede ser conveniente presentarla
en un mapa para su representación en el espacio [Xie et al., 2018; Wang et al., 2018].
Las series temporales se utilizan para visualizar el patrón de tiempo. Es común agregar datos para
mostrar el comportamiento durante la semana y los meses. También es útil mostrar la serie
temporal completa con la tendencia del período analizado [Elangasinghe et al., 2014]. Para
permitir comparaciones diarias, mensuales y anuales de la variabilidad de la contaminación del
aire es conveniente emplear una tabla de calendario para una fácil visualización [Leung et al.,
2018].
Las rosas de contaminación representan los niveles de contaminación observados por cada
estación de monitoreo según la dirección del viento (Figura 10). El modelo de la rosa de la
contaminación se basa en la simple idea de clasificar las mediciones de concentración obtenidas
en un sitio determinado para un período determinado según la dirección en la que sopla el viento
en el momento de la medición [Duboue, 1978]. Esta gráfica proporciona una noción relativa de la
ubicación de las fuentes de contaminación.
Los mapas son una forma eficaz de visualizar y comunicar la variación espacial de las
concentraciones de contaminantes. Los mapas de calor se utilizan para identificar las áreas de
mayor concentración [Austin et al., 2013]. Sin embargo, si no se selecciona una escala de colores
apropiada, se vuelven confusos. Por tanto, resultó conveniente utilizar una paleta monocromática
para mostrar las zonas de excedencia y una multicolor para mostrar las diferencias en el territorio.
Finalmente, para reforzar la narrativa de la presentación de los resultados, se compararon las
concentraciones medidas o previstas con los estándares de calidad del aire. Dado que, en general,
existen diferencias entre las normas de calidad del aire y las recomendaciones de la Organización
Mundial de la Salud (OMS), fue conveniente compararlas con ambos valores. Las normas de
calidad del aire a menudo están condicionadas por cuestiones de política económica y tardan
mucho tiempo en actualizarse, mientras que las recomendaciones de la OMS se basan en
investigaciones científicas que respaldan estos valores y se revisan cuando se reúnen evidencias
suficientes [Zhang et al., 2018].
Propuesta metodológica
77
Confección de índices
Con el fin de facilitar la interpretación del público, la comunicación de información sobre la
calidad del aire al público y a los responsables de la formulación de políticas se realiza, en gran
medida, mediante el uso de indicadores e índices [Zhang et al., 2012].
Mientras que un indicador es un parámetro estadístico que se crea a partir de los datos científicos
con el fin de obtener y compartir información para que se puedan tomar decisiones o establecer
políticas [Hsu et al., 2013], un índice es una agregación de indicadores, que a veces es simplificado
para que sea más fácil de comunicar al público que múltiples valores. Los índices suelen ser
adimensionales y pueden proporcionar consistencia a un valor comunicado para múltiples
contaminantes del aire con diferentes unidades de medida (por ejemplo, de 0 a 100).
Para la comunicación pública de las previsiones o en tiempo real, se suele utilizar un índice de
calidad del aire (AQI, por sus siglas en inglés: air quality index), donde se establecen múltiples
rangos de severidad, dependiendo del nivel de respuesta requerida por los diferentes grupos
afectados. Por lo general, el AQI convierte una concentración de contaminante en un número en
una escala conocida, y los niveles de contaminantes se clasifican en "muy alto", "alto", "moderado"
y "bajo" [Sadat et al., 2015, Engel-Cox et al., 2013]. Los puntos de ruptura en la categorización
varían de un contaminante a otro [Mintz, 2012]. Una variante puede observarse en [Olvera-García
et al., 2016] donde se aplicó un análisis difuso para generar ponderaciones AQI de contaminantes
con mayores efectos en la salud.
Informar mediante un AQI presenta tres grandes ventajas. En primer lugar, garantiza el cuidado
de las personas mediante consejos que les permitan adaptar su comportamiento y/o tomar
medidas de mitigación para evitar los efectos en la salud. En segundo lugar, sirven para condensar
los datos complejos facilitando la toma de decisiones. Una tercera razón es llamar la atención del
público en la problemática de la contaminación atmosférica, generando un mayor nivel de
sensibilización reportando la calidad del aire de forma diaria [Van den Elshout et al., 2014].
A pesar de las ventajas, los AQI presentan ciertas limitaciones en su empleo dado que los factores
que intervienen entre la calidad del aire y los efectos en la salud son múltiples y diversos,
interactúan de maneras aún poco conocida, y su naturaleza exacta es difícil de cuantificar.
Además, el valor del índice reportado se refiere a un momento cuando los efectos en la salud
ocurren a diferentes tiempos de exposición. Por ejemplo, un AQI basado en los efectos a corto
plazo para la salud puede indicar “niveles buenos" de calidad del aire, implícitamente señalando
que la calidad del aire no es un problema, y al mismo tiempo, superar los valores límite anuales.
A su vez, no todos los contaminantes perjudiciales para la salud se encuentran regulados y
controlados, y por tanto, se excluyen comúnmente de los índices. Otro inconveniente es el hecho
que pocos índices se basan en datos epidemiológicos locales careciendo de especificidad [Stieb et
al. 2008]. Estas cuestiones obligan a tomar con reparo el uso de un AQI.
En esta tesis se trabajó con el AQI propuesto en [World Air Quality Index project, 2015] ya que se
basa en las recomendaciones de la OMS para su confección [Krzyzanowski & Cohen, 2008],
estableciendo una escala cromática para cada uno de los niveles (Tabla 9).
Capítulo 3
78
Tabla 9. AQI de la calidad del aire [World Air Quality Index project, 2015].
Categoría Nivel PM2.5 PM10
Buena Nivel guía de calidad del aire 0 - 10 0 - 20
Moderada Objetivo intermedio - 1 10 - 15 20 - 30
Dañina para personas
sensibles Objetivo intermedio - 2 15 - 25 30 - 50
Dañina Objetivo intermedio – 3 25 - 35 50 - 70
Muy dañina Por encima del objetivo 35 - 53 70 - 105
Peligrosa Significativamente por encima del
objetivo 53 - ∞ 105 - ∞
Confección de mapas de calidad del aire y mapas de riesgo
Como un último recurso, los mapas de calidad de aire y de riesgo son elementos ampliamente
utilizados en el diseño y aplicación de políticas territoriales (Figura 13). La visualización
mediante mapas facilitó la identificación de patrones espaciales, permitiendo delimitar las áreas
que requieren una mayor intervención.
Figura 13. Esquema de a) mapa de concentración, b) mapa de calidad de aire y c) mapa de riesgo
Mientras los mapas de concentración muestran los niveles de los contaminantes en el territorio,
los mapas de calidad de aire presentan una categorización de las concentraciones a la cual se
expone la población y se la relativiza en función de los niveles recomendados por la OMS
[Hasenfratz et al., 2015]. De igual forma, el riesgo por exposición a los contaminantes se calcula
sobre los valores de concentración del mapa [Soares & Pereira, 2007], tal como se vio
anteriormente cuando se presentó el cálculo del riesgo relativo.
Propuesta metodológica
79
Estos mapas se pueden confeccionar de forma diaria, mensual o anual dependiendo su finalidad
[Saisana et al., 2004]. Si bien para pronósticos conviene trabajar con mapas diarios por el alcance
de las predicciones, con fines epidemiológicos resulta conveniente contar con mapas mensuales
o anuales, acorde al mínimo nivel de agregación de los datos sanitarios.
Por último, los mapas de riesgo son productos cartográficos que se pueden visualizar dentro de
un Sistema de Información Geográfico (SIG), permitiendo su integración con otras capas de
información en función de la aplicación que se desee dar, como pueden ser las fuentes de
contaminación o los servicios de emergencias disponibles.
Caso de aplicación I
Comunidad Valenciana, España
Capítulo 4
82
Introducción
En los capítulos anteriores se presentaron el marco teórico, desde donde se enfoca esta tesis, y
una propuesta metodológica de trabajo para el abordaje del estudio de la calidad del aire. En los
próximos capítulos se presentarán distintos casos de aplicación para evaluar la propuesta
metodológica realizada.
Como primer sitio de estudio se seleccionó la Comunidad Autónoma de Valencia, España. España
se sitúa al sur de Europa ocupando gran parte de la península ibérica y una serie de islas e islotes
en el mar Mediterráneo y en el océano Atlántico. La forma de organización interna del país es
mediante comunidades autónomas, distribuyéndose el territorio español en 17 comunidades
autónomas. La Comunidad Valenciana, sobre la costa este, incluye un total de 542 municipios con
5 millones de habitantes, distribuidos en una superficie de 23 mil km2 (densidad poblacional 219.1
hab/km2)
España se encuentra enmarcada dentro de la UE, la cual presenta precisas directivas respecto a
los límites legales de los contaminantes atmosféricos y a los procedimientos administrativos
requeridos para la evaluación de la calidad del aire. Esta estructura legal le otorga a España
elementos jurídicos que aportan a la construcción de una administración eficiente, además de
recursos económicos para llevar adelante evaluaciones y proyectos de mejora de la calidad del
aire.
En general, España presenta niveles moderados de contaminantes atmosféricos en comparación
con otros países de Europa [EEA, 2017] con superaciones recurrentes en áreas urbanas como
Madrid, Barcelona y Granada [Ministerio para la Transición Ecológica, 2018]. Además de los
efectos de la contaminación por el crecimiento urbano y el desarrollo industrial [Aldabe et al.,
2011], se presentan incrementos de los niveles de aerosoles de forma natural por las intrusiones
de masas de aire provenientes de África [Díaz et al., 2017]. Las plumas de polvo procedentes de
las regiones desérticas (Sahara) y semiáridas (Sahel) son transportadas por largas distancias, a lo
largo del Océano Atlántico y del mar Mediterráneo [Engelstaedter & Washington, 2007],
afectando a España y a una extensa parte del territorio europeo.
En la Comunidad Valenciana se han realizado distintos estudios sobre efectos atribuibles a la
contaminación atmosférica. [Tenías et al., 1998] señalaron que las concentraciones de los
contaminantes atmosféricos en Valencia se asociaban significativamente con las visitas a la sala
de urgencias por asma. En [Ballester et al., 1996] se encontró una relación positiva entre la
contaminación atmosférica y la mortalidad. Y en [Ballester et al., 2010], se demostró que la
exposición prenatal al NO2 redujo el crecimiento fetal.
En el último tiempo, distintas organizaciones sociales han manifestado una preocupación por la
calidad del aire [www.valenciaperlaire.org], poniendo de manifiesto el sub-aprovechamiento de
los datos recolectados y la escasa producción de información pública generada por los organismos
responsables. Esto ha llevado a considerar la Comunidad Valenciana como un sitio excelente de
aplicación.
A continuación, se presenta la aplicación de la metodología propuesta en los datos históricos que
presenta la Comunidad Valenciana:
Comunidad Valenciana, España
83
Aplicación de la metodología
Módulo I - Etapa de diseño del análisis
I.I. Caracterización del área de estudio
La Comunidad Valenciana es una comunidad autónoma de España situada en el este de la
península ibérica, en el litoral del mar Mediterráneo. Las costas de la región valenciana forman
dos grandes arcos: el golfo de Valencia (Costa de Azahar) y el golfo de Alicante (Costa Blanca),
ambos separados por las prolongaciones montañosas que se hunden en el mar (Figura 14). El
dominio de estudio se definió entre los límites: W -1.5°, N 40.8°, E 0.7°, S 37.8°.
Capítulo 4
84
Figura 14. Mapa de la Comunidad Autónoma de Valencia.
Desde una visión de conjunto, la región valenciana es la zona de contacto y final de dos grandes
sistemas montañosos: el sistema Ibérico por el norte y el sistema Bético por el sur. Las cordilleras
Béticas son un conjunto de sistemas montañosos que se alarga más de 600 km con orientación
OSO - ENE, por el sur de la península ibérica, con una cota máxima es de 3479 msnm en el pico
Mulhacén en Granada, siendo el conjunto de relieve más importante de España. El sistema
Ibérico, por su parte, se extiende a lo largo de 500km por el interior de la península en dirección
NO-SE, alcanzando los 2314 msnm en su pico más alto, el Moncayo.
Los sistemas montañosos tienen una gran influencia en el clima. Algunos importantes efectos en
los flujos atmosféricos están provocados por las cadenas montañosas más elevadas de la región,
como son el sistema Ibérico, Pirineos, Macizo Central, Alpes, Apeninos y Atlas. Estas pueden
actuar como barrera que limitan el movimiento de las masas de aire, y pueden generar vórtices
aerodinámicos o extensos bloqueos. A su vez, la alta concentración de centros ciclónicos en la
región, y la cercanía con el vórtice polar estratosférico, con especial influencia en invierno,
convierten a la región en un complejo sistema atmosférico [Belda et al., 2001].
En particular, la región de la Comunidad Valenciana se caracteriza por la irregularidad y los
contrastes regionales entre zonas lluviosas y zonas áridas. En la parte nororiental, por su
proximidad al mar se presentan inviernos poco rigurosos. El máximo de las precipitaciones ocurre
en las áreas con mayor relieve, con un volumen promedio de 700 - 800 mm.año-1. En otoño, el
efecto pantalla que ejerce el relieve favorece las precipitaciones en las zonas abiertas. La influencia
de los flujos de aire húmedos de levante hace de ésta la estación más lluviosa.
Por otra parte, en el sector al noroeste se registran las temperaturas medias anuales más bajas y
el volumen de precipitaciones anuales decrece gradualmente hacia el suroeste. Las temperaturas
medias siguen un gradiente decreciente de interior a costa en invierno, levemente creciente en
verano, por efecto de la altitud.
La evolución de las temperaturas medias mensuales sigue un cierto retraso respecto al ritmo solar.
El régimen de brisas por la influencia marítima tiene como consecuencia una marcada
suavización de las temperaturas máximas, sobre todo en las áreas costeras. El aumento de
temperatura se produce a un ritmo lento e irregular, que culmina en julio o agosto. Los principales
cambios en la temperatura se dan de abril a mayo, cuando se produce el máximo de la mayor
radiación solar y la desaparición de gran parte de las penetraciones polares; y de junio a julio,
cuando la incidencia solar relativa llega a su máximo [Milán et al., 1997].
Contexto jurídico-normativo
España posee un complejo marco jurídico para evaluar los niveles de contaminantes atmosféricos
y atender las situaciones en las que se presenta una mala calidad del aire. Su estudio data de medio
siglo atrás, siendo el primer referente legislativo nacional la Ley 38/1972 de protección del medio
atmosférico, sobre normas técnicas para análisis y valoración de los contaminantes presentes en
el aire [Patier, 2015]. Con la entrada de España a la UE, se sancionaron distintas Leyes y Reales
Decretos acordes donde se adoptaron los valores legislados y los métodos a las exigencias.
Las Directivas de la UE brindan un marco regulatorio estableciendo valores límite de
concentración de contaminantes en el aire, y normas sobre las fuentes de emisión. La Directiva
Comunidad Valenciana, España
85
2008/50/CE, que condensa las anteriores Directivas 1996/62/CE y 1999/30/CE, dispone
medidas para definir y establecer objetivos de calidad del aire ambiente para evitar, prevenir o
reducir los efectos nocivos para la salud humana y el medio ambiente en su conjunto. A su vez,
establece métodos y criterios comunes para la gestión de la calidad del aire. Finalmente, propone
reunir información y asegurar que esta se halle a disposición de la ciudadanía, y fomentar el
incremento de la cooperación entre los Estados miembros para reducir la contaminación
atmosférica.
La Tabla 10 muestra los valores legislados en Europa. Como se señaló anteriormente, la
implantación de los estándares de calidad del aire se establece por criterios de costo-beneficio
[Boldo & Querol, 2014], por ello pueden diferir de los valores recomendados por la OMS. Por
ejemplo, la recomendación de la OMS para PM2,5 (10 μg.m-3) es menor a de la mitad que el valor
límite europeo (25 μg.m-3), mientras que Estados Unidos reguló un valor límite de 12 μg.m-3. Una
particularidad para destacar es que la Directiva contempla un número de excedencias permitidas
por año para algunos de los contaminantes.
Tabla 10. Estándar de calidad del aire de la Unión Europea [Directiva 2008/50/EU]
Contaminante Concentración
(μg.m-3) Período de tiempo
Número de excedencias permitidas por año
PM2.5 25 1 año n/a
SO2 350 1 hora 24
125 24 horas 3
NO2 200 1 hora 18
40 1 año n/a
PM10 50 24 horas 35
40 1 año n/a
CO 10 Máximo diario de promedio de 8 horas
n/a
O3 120 Máximo diario de promedio de 8 horas
Promedio de 25 días en 3 años
Para la gestión del territorio, la Directiva 2008/50/CE en su Artículo 23 dispone que los Estados
miembros de la UE elaborarán planes de calidad del aire para las zonas y aglomeraciones donde
se superen los valores límites o valores objetivos, así como los márgenes de tolerancia. Esta
Directiva se complementa con la Ley Nacional 34/2007 de calidad del aire y protección de la
atmósfera, que establece que los municipios deberán adoptar planes teniendo en cuenta los planes
de las respectivas comunidades autónomas. Y, posteriormente, es resaltado por el Real Decreto
102/2011 que establece que las autoridades locales podrán elaborar sus propios planes
considerando las propias comunidades autónomas. De esta forma, el territorio español se
encuentra zonificado para un mejor monitoreo y control de la calidad del aire donde la
responsabilidad del monitoreo recae en las comunidades autónomas.
Capítulo 4
86
En el caso de la Comunitat de Valencia, el territorio se ha clasificado en 18 zonas donde se
monitorea la calidad del aire, atendiendo a la orografía, la dinámica atmosférica, los usos del
suelo, las fuentes de emisiones de contaminantes y la distribución de población (Figura 15).
Estas zonas engloban las aglomeraciones Castelló, L’Horta, Alacant y Elx, y 14 áreas que se
caracterizan por una concentración de población menor de 250 mil habitantes o con una baja
densidad poblacional. En total se cuenta con 60 estaciones de monitoreo y los contaminantes que
se evalúan de forma rutinaria son SO2, NO2, PM10, PM2.5, C6H6, CO, O3, Pb, metales y
benzo(a)pireno, aunque no en todas las estaciones se miden los mismos contaminantes.
Figura 15. Zonas para la evaluación de la calidad del aire en la Comunidad de Valencia.
Las zonas presentan características heterogéneas, de las cuales, las más importantes por las
problemáticas que engloban, se describe a continuación:
Las zonas ES 1001 y ES 1002 están caracterizadas por ser comarcas rurales de gran interés
natural. En su cercanía se encuentra emplazada la Central Térmica de Andorra donde se
detectaron daños forestales por emisiones de SO2 atribuidas a esta central. En el año 1994, se
firmó el convenio “Situación de la calidad del aire en las comarcas del norte de la Comunidad
Valenciana” entre 27 Ayuntamientos de la zona, la Generalitat Valenciana, 3 grupos ecologistas y
ENDESA para la creación de la Fundación Els Ports y una comisión de Vigilancia Medioambiental
de la Zona els Ports-Maestrat. En este marco se definió implementar una nueva red de calidad del
aire en la comarca, el seguimiento de las emisiones de la Central Térmica, y la evaluación y
seguimiento de resultados de calidad del aire en la implantación de una planta de desulfuración.
La zona ES 1003 es una zona de actividad cerámica, donde se genera el 43% de la producción de
cerámica de la UE. Esta tarea cuenta con procesos de extracción de materia prima, preparación
vía húmeda y prensado en seco de las baldosas cerámicas. Los contaminantes asociados con esta
Comunidad Valenciana, España
87
actividad industrial son: PM, HF, HCl, SO2, NOx, CO2, metales pesados. En esta zona la población
asociada es de 365760 habitantes. En 2008, se aprobó por Acuerdo del Consell el “Plan de mejora
de la calidad del aire de la zona ES 1003”, con finalización de la segunda fase en 2012.
Las zonas ES 1013 y ES 1017 presentan la influencia de la actividad cementera por la presencia
de 2 grandes plantas de fabricación de cemento a una corta distancia entre ellas. En el “Plan de
mejora de la calidad del aire de la zona ES 1013-ES 1017”, aprobado el 5 de noviembre del 2010,
se acordó el cierre anticipado de la fábrica CEMEX-I por su cercanía al territorio urbano (inferior
a 1 km). En esta zona se detectaron valores críticos de SO2 y PM10. Un estudio de caracterización
de PM10 realizado en el 2006, determinó que el 44% de las emisiones pertenecían a la industria
cerámica, 23% a las emisiones de la industria cementera, 13% al tránsito, 9% a la actividad
residencial y servicios. De las emisiones de SO2, el 56% se atribuyó a la industria cementera, el
33% emisiones industria cerámica, y el 7% restante al transporte y uso de maquinarias móviles.
La zona ES 1016 es un área de tráfico intenso. Esta aglomeración agrupa a las comarcas de
Valencia, L’Horta Nord, L’Horta Oest y L’Horta Sud, con un total de 25 municipios y 1 371 296
hab. Mientras que las zonas ES 1007 y ES 1008 se caracterizan por la influencia de las emisiones
del tránsito vehicular y de las industrias [Conselleria de Agricultura, Desarrollo Rural,
Emergencia Climática y Transición Ecológica, 2017a; Conselleria de Agricultura, Desarrollo
Rural, Emergencia Climática y Transición Ecológica, 2017b].
Bajo el Decreto 161/2003 del Consell, se crea la Red Valenciana de Vigilancia y Control de la
Contaminación Atmosférica, que tiene como función realizar un seguimiento de los niveles de los
contaminantes atmosféricos más importantes en las principales áreas urbanas e industriales de
la Comunidad Valenciana.
I.II. Determinación de los objetivos
Al contar con el monitoreo extensivo de la Comunidad Valenciana, es posible realizar distintos
tipos de análisis. Para este estudio nos planteamos los siguientes objetivos:
• Conocer aspectos del monitoreo terrestre
Descripción general de las estaciones de monitoreo. Evaluar la calidad de los datos. Caracterizar
los sitios de monitoreo.
• Determinar la calidad del aire en los sitios de medición
Evaluar si las concentraciones de los contaminantes respetan las recomendaciones de la OMS y si
se encuentran dentro de los parámetros legales.
• Evaluar la evolución temporal de los contaminantes
Calcular la tendencia de las concentraciones a largo plazo. Estudiar la tendencia en función de las
direcciones del viento. Analizar el comportamiento diario, semanal e interanual de los
contaminantes.
• Estudiar la distribución espacial de los contaminantes
Comparar las concentraciones medidas entre las estaciones. Analizar el comportamiento espacial
del material particulado. Confeccionar mapas de material particulado mediante información
Capítulo 4
88
satelital. Confeccionar mapas de calidad del aire. Confeccionar mapas de riesgo por exposición a
contaminantes atmosféricos y de la fracción atribuible de muertes.
I.III. Delimitación de las preguntas de estudio
A continuación, se detallan los análisis que se pueden realizar a partir de la información existente
a la fecha:
Conocer aspectos del monitoreo terrestre
¿Qué diseño sigue la red de monitoreo?
¿Cuáles son las técnicas utilizadas para el monitoreo?
¿Cuál es la calidad de la información recolectada por la red de monitoreo?
¿Hay redundancia de información entre las estaciones de monitoreo?
¿Cuáles son las características del área de emplazamiento de las estaciones de
monitoreo?
¿Cómo influyen los vientos locales sobre los niveles registrados en las estaciones?
¿De qué sector del viento llegan las concentraciones mayores?
Determinar la calidad del aire en los sitios de medición
¿Cuáles son los niveles más frecuentes?
¿La concentración de los contaminantes excede los límites legales?
¿La concentración pone en riesgo a la población?
Evaluar la evolución temporal de los contaminantes
¿A cuál hora del día es mayor la concentración de los contaminantes?
¿Las concentraciones máximas varían a lo largo de la semana?
¿En cuál época del año ocurren los episodios de máximas concentraciones?
¿Cómo han cambiado los niveles de los contaminantes con los años?
Estudiar la distribución espacial de los contaminantes
¿Dónde ocurren las máximas concentraciones?
¿Se observa un patrón espacial de las máximas concentraciones?
¿Cómo es la calidad del aire donde no se mide?
¿La calidad del aire en la región representa un riesgo para la población?
I.IV. Adquisición de los datos
Monitoreo terrestre de la calidad del aire
La Red Valenciana de Vigilancia y Control de la Contaminación Atmosférica cuenta con 60
estaciones permanentes y con tres unidades móviles y una Unidad de Intervención Rápida, las
cuales, obtienen información sobre 11 emplazamientos repartidos en el área interior de la
Comunidad Valenciana (Tabla 11). En la actualidad, se mantiene en funcionamiento un sistema
automático y continuo de monitoreo de los siguientes contaminantes: SO2, PM10, PM2.5, PM1 y
metales pesados, NO, NO2, NOx, CO, O3, BTX y BaP, SH2, junto a algunos parámetros
meteorológicos. Para la determinación de estos contaminantes se emplean equipos basados en los
métodos oficiales recogidos en el anexo VII del R.D. 102/2011, relativo a la mejora de la calidad
del aire, modificado por el Real Decreto 39/2017.
Comunidad Valenciana, España
89
Para este trabajo, los datos se descargaron del sitio oficial (http://www.agroambient.gva.es/va/
web/calidad-ambiental) para el período comprendido entre el 1 de enero de 2008 al 30 de
septiembre de 2018.
Tabla 11. Estaciones de monitoreo presentes en la Comunidad Valenciana
Provincia Nombre Estación Longitud Latitud Altitud
ALACANT Alacant X03014006 -0.4711 38.3586 45
ALACANT Alacant X03014008 -0.5067 38.3403 55
ALACANT Alacant X03014009 -0.5139 38.3511 20
ALACANT Alacant X03014010 -0.5025 38.3347 5
ALACANT Alacant X03014012 -0.4919 38.3369 15
ALACANT Alacant X03014013 -0.4967 38.3367 0
ALACANT Alacant X03014014 -0.505 38.3311 3
ALACANT Alcoi X03009006 -0.4669 38.7064 534
ALACANT Benidorm X03031002 -0.1464 38.5731 44
ALACANT Elda X03066003 -0.8064 38.445 340
ALACANT Elx X03065006 -0.6828 38.2422 44
ALACANT Elx X03065007 -0.7175 38.2592 99
ALACANT Orihuela X03099002 -0.8536 38.0867 32
ALACANT Pinoso X03105001 -1.0647 38.4517 642
ALACANT Torrevieja X03133002 -0.69 37.9911 10
CASTELLON Almassora X12009007 -0.0564 39.9453 27
CASTELLON Benicassim X12028001 0.0728 40.0622 50
CASTELLON Burriana X12032001 -0.065 39.8922 37
CASTELLON Castellò de la Plana X12040008 -0.0572 40.0114 106
CASTELLON Castellò de la Plana X12040009 -0.0361 39.9592 44
CASTELLON Castellò de la Plana X12040010 0.0103 39.9819 10
CASTELLON Castellò de la Plana X12040015 -0.0264 39.9886 18
CASTELLON Cirat X12046001 -0.4683 40.0542 466
CASTELLON La Pobla de Benifass X12093004 0.0847 40.6917 1200
CASTELLON La Vall d'Uix X12126003 -0.2444 39.8236 250
CASTELLON L'Alcora X12005005 -0.2069 40.0681 160
Capítulo 4
90
CASTELLON Morella X12080007 -0.0925 40.6372 1153
CASTELLON Onda X12084003 -0.25 39.9628 163
CASTELLON San Jorge X12099001 0.3728 40.5547 181
CASTELLON Torre Endomènech X12120001 0.0789 40.2694 259
CASTELLON Villafranca del Cid X12129001 -0.2492 40.4169 1125
CASTELLON Viver X12140002 -0.6033 39.9306 616
CASTELLON Zorita del Maestrazgo X12141002 -0.1694 40.735 619
VALENCIA Albalat dels Tarongers X46010001 -0.3367 39.7053 320
VALENCIA Algar de Palancia X46028001 -0.3592 39.7822 200
VALENCIA Alzira X46017002 -0.4578 39.15 60
VALENCIA Benigánim X46062001 -0.4419 38.9375 195
VALENCIA Buñol X46077006 -0.7839 39.4272 400
VALENCIA Burjassot X46078004 -0.4178 39.5094 25
VALENCIA Caudete de las Fuentes X46095001 -1.2828 39.56 794
VALENCIA Cortes de Pallás X46099001 -0.9344 39.2608 493
VALENCIA Gandia X46131002 -0.1903 38.9689 22
VALENCIA La Pobla de Vallbona X46202002 -0.5369 39.5794 0
VALENCIA Ontinyent X46184002 -0.6828 38.7953 510
VALENCIA Paterna X46190005 -0.4608 39.5514 122
VALENCIA Quart de Poblet X46102002 -0.4472 39.4811 41
VALENCIA Sagunt X46220003 -0.2314 39.665 10
VALENCIA Sagunt X46220009 -0.2789 39.6847 54
VALENCIA Sagunt X46220010 -0.2664 39.6328 3
VALENCIA Torrebaja X46242001 -1.2539 40.0994 728
VALENCIA Torrent X46244003 -0.4825 39.4253 100
VALENCIA Valencia X46250030 -0.3767 39.4581 11
VALENCIA Valencia X46250043 -0.3694 39.4794 11
VALENCIA Valencia X46250046 -0.3375 39.4797 7
VALENCIA Valencia X46250047 -0.3428 39.4575 7
VALENCIA Valencia X46250048 -0.4083 39.4811 15
VALENCIA Valencia X46250050 -0.3964 39.4503 15
VALENCIA Valencia X46250051 -0.3186 39.3156 0
Comunidad Valenciana, España
91
VALENCIA Vilamarxant X46256001 -0.6256 39.5647 510
VALENCIA Villar del Arzobispo X46258001 -0.8319 39.7081 430
Producto satelital de AOD - MODIS
La profundidad óptica de aerosoles (AOD) es la integración en la columna atmosférica de la
dispersión de la luz. MODIS provee información histórica de los aerosoles con una resolución
moderada. El producto de datos MCD19A2 Versión 6 es un producto combinado de las
mediciones realizadas por el sensor MODIS a bordo de los satélites Terra y Aqua, mediante la
implementación del algoritmo Multi-angle Implementation of Atmospheric Correction (MAIAC)
para las estimaciones de AOD. El producto es una cuadrícula diaria con una resolución de 1 km
de píxel. Se puede descargar de https://ladsweb.modaps.eosdis.nasa.gov/ en formato HDF4, y
contiene distintas capas de datos científicos (SDS).
AERONET
Para la validación de los datos AOD de las imágenes MODIS se cuenta con las mediciones de
AERONET. La estación AERONET más cercana se ubica en la ciudad de Burjassot (39º30’28’’ N,
0º 25’ 04’’W, altura 30m). El sitio se encuentra a 5 km al noroeste del centro de la ciudad de
Valencia y a 10 km al oeste de la costa mediterránea. Los datos se descargaron del sitio oficial de
AERONET, https://aeronet.gsfc.nasa.gov.
Reanálisis atmosférico de MERRA - 2
Se trabajó con las salidas del reanálisis atmosférico MERRA-2 que brinda datos de las condiciones
de la atmósfera y contaminantes modelados mediante la asimilación de distintos productos
satelitales, incluyendo el AVHRR (Advanced Very High Resolution Radiometer), MISR (Multi-
angle Imaging SpectroRadiometer), MODIS y AERONET [Gelaro et al., 2017]. Los datos se
descargaron del sitio web de MERRA-2 (https://disc.gsfc.nasa.gov/daac-bin/FTPSubset2.pl)
para el área de la Comunidad Valenciana. Como estos datos se utilizaron para los modelos
multivariantes, se descargaron los sets de datos de las horas más cercanas a la hora de sobrevuelo
de los satélites Aqua y Terra.
MERRA-2 simula cinco especies de PM2.5 (carbono negro, carbono orgánico, sal marina, polvo,
sulfato) basándose en el modelo de aerosol GOCART [Ginoux, et al., 2001], las cuales se
encuentran a disposición en el producto tavg1_2d_aer_Nx. De estas, las variables seleccionadas
fueron las concentraciones másicas de sulfuro de dimetilo, polvo, carbón orgánico, sal marina,
sulfatos y dióxido de azufre, para el intervalo de tiempo de 13.30 - 16.30 UTC.
También se trabajó con los modelos de MERRA-2 de la altura de la capa límite, flujo total de
precipitación superficial, velocidad de viento y velocidad máxima de viento sobre la superficie
(tavg1_2d_flx_Nx para el intervalo 10.30 - 13.30 UTC). También, se incorporaron las variables
radiométricas como proporción del albedo y fracción de área de nube para nubes altas y bajas del
producto tavg1_2d_rad_Nx para el intervalo 10.30 - 13.30 UTC); y datos de superficie como
Capítulo 4
92
presión de superficie, humedad relativa, componentes del viento (u, v), temperatura del aire
(inst3_3d_asm_Np para el intervalo horario 12.00 - 15.00 UTC).
Topografía del terreno
Los datos de elevación del terreno del área de la Comunidad Valenciana fueron descargados del
sitio web del Consorcio de Información Espacial del CGIAR [Jarvis et al., 2008] con una
resolución de 3 segundos de arco (90 m en el ecuador) y cobertura global
(http://srtm.csi.cgiar.org/). Este producto corresponde al modelo digital de elevación creado a
partir de la misión SRTM (del inglés Shuttle Radar Topographic Mission) del año 2000. Se
trabajó con los archivos: srtm_37_04.tif, srtm_36_05.tif, srtm_37_05.tif y srtm_36_04.tif, con
los cuales se confeccionó un mosaico único para el área de estudio. Este producto fue elegido sobre
el EU-DEM elaborado por el CLMS puesto que tiene cobertura global y puede servir de ejemplo
para futuros trabajos en otras áreas de estudio.
Clasificación uso de suelo
Para la información de uso de suelo se utilizó el sistema de clasificación “Corine Land Cover 2012”
a escala 1:100.000, generado para el año 2012. Este mapa pertenece al proyecto europeo Corine
Land Cover, dirigido por la Agencia Europea de Medio Ambiente. La información se codifica en
3 niveles de detalle para su presentación oficial en Europa. Esta capa se genera a partir de la
actualización de SIOSE 2011, por generalización de esta base de datos cartográfica. El proveedor
fue la Conselleria d'Habitatge, Obres Públiques i Vertebració del Territori.
Comunidad Valenciana, España
93
Módulo II - Etapa de procesamiento
II.I. Preparación de los datos
En este trabajo, previo al procesamiento de datos, se inspeccionaron los registros de las
concentraciones de contaminantes y las mediciones de las variables ambientales en busca de
errores en los registros. A su vez, en esta etapa se procedió a elaborar las series de tiempo
agregadas, a partir de los sets de datos horarios, para obtener series diarias y mensuales. Como
las concentraciones de contaminantes tienen una variabilidad considerable a lo largo del día, sólo
se consideraron los días con al menos 12 mediciones horarias [Xie et al., 2018] dentro del período
comprendido entre el 1 de enero de 2008 al 30 de septiembre de 2018.
De la base de datos, se corrigieron los valores por debajo del límite de detección de los
equipamientos por un tercio de la concentración mínima medida en esa estación dentro del
período de estudio [EPA, 2006]. A su vez, de la serie diaria se realizaron las series temporales
mensuales. Los meses en los que faltaban más del 25% de los datos se descartaron de las series
temporales mensuales [Directiva 2008/50/CE].
II.II. Selección de algoritmos de análisis
I. Conocer aspectos del monitoreo terrestre
En la Figura 16 se muestra la posición de los 60 sitios donde se monitorea la calidad del aire en
la Comunidad Valenciana. Con el objetivo de obtener más información descriptiva respecto al
diseño de la red de monitoreo, se analizó el patrón de distribución de los sitios mediante un
análisis de patrones de puntos [Dadson, 2017].
Capítulo 4
94
Figura 16. Mapa con los 60 sitios de monitoreo de la calidad del aire en la Comunidad Valenciana
Para explorar la consistencia de la información se analizó la falta de datos mediante gráficas
exploratorias.
La redundancia entre las estaciones es una característica no deseada en una red de monitoreo
puesto que implica el sostener el registro de las concentraciones en sitios que no aportan
información nueva del estado del aire con respecto a la información que recolectan el resto de las
estaciones. Como primer paso se realizó un análisis de correlación entre las estaciones para
determinar si existía redundancia. Se analizó la correlación entre las estaciones de monitoreo para
cada uno de los 6 contaminantes en estudio. Elegimos el coeficiente de correlación de Spearman
que es un coeficiente no paramétrico, tolerante a la pérdida de normalidad y robusto con respecto
a los datos extremos.
Luego, se realizó un PCA para cada contaminante y en cada una de las distintas estaciones. Se
trabajó sobre la matriz de correlación, que presenta grandes ventajas cuando se cuenta con datos
faltantes, existe una falta de centralidad en el conjunto de datos y la varianza de los datos entre
las estaciones difiere. El PCA se utiliza comúnmente para reducir el número de variables y evitar
la multicolinealidad [Pires et al., 2008a, Pires et al., 2008b].
Finalmente, se aplicó el algoritmo de aglomeración jerárquica que permite agrupar las estaciones
más similares. La aplicación del algoritmo de clasificación jerárquica se realizó sobre matrices de
correlación de Pearson.
Para la identificación de potenciales fuentes de emisión en las estaciones de monitoreo dentro del
área de la Generalitat Valenciana se utilizó el mapa de ocupación de suelo Corine Land Cover
2012. Se generaron áreas circulares de 1 km para cada estación de monitoreo y se procedió a una
Comunidad Valenciana, España
95
inspección ocular de la tabla de atributos para determinar los principales usos. La corrección de
la misma requirió unir atributos por geolocalización, separar geometrías y reproyectar a la
proyección de trabajo.
Para evaluar las características meteorológicas y su influencia en las mediciones de los
contaminantes, se confeccionaron rosas de vientos y rosas de contaminación en cada estación y
para cada contaminante. Los intervalos utilizados como parámetros de corte en las
visualizaciones cloropléticas se construyeron utilizando el método de los umbrales naturales o
Jenks. El método de Jenks realiza comparaciones iterativas de las sumas de las diferencias al
cuadrado entre valores observados dentro de cada clase y la media de las clases. Como los datos
no mantienen una distribución uniforme, este algoritmo representa mejor el conjunto de datos
que la utilización de otros métodos, como los cuantiles o el uso de intervalos constantes. La mejor
clasificación se considera cuando se encuentran aquellos umbrales que minimizan la suma intra-
clase de diferencias al cuadrado.
El algoritmo de Jenks se aplicó sobre una muestra al azar de 5000 datos de las 92760
observaciones para cada contaminante y para las velocidades de viento, estableciendo 5 categorías
de corte para la obtención de los intervalos las cuales se mantuvieron en las rosas de vientos y
rosas de contaminantes. Se utilizó el paquete openair para graficar las rosas de vientos y de
contaminantes [Carslaw & Ropkins, 2012, Carslaw, 2013], y el paquete classInt para el cálculo de
los intervalos mediante el algoritmo de rupturas naturales de Jenks [Bivand, 2019].
II. Determinar la calidad del aire en los sitios de monitoreo
Para la evaluación de los niveles históricos se realizó un análisis exploratorio, donde se obtuvieron
los principales estadísticos descriptivos para cada contaminante por estación de monitoreo. Con
el fin de evaluar el cumplimiento de las normativas en calidad de aire y el riesgo a la salud, se
compararon las mediciones en cada estación con las Directivas de la UE [Directiva 2008/50/CE]
y con las recomendaciones de la OMS [World Health Organization, 2005]. Se generaron gráficas
de tipo violín para mostrar la distribución de los datos junto a los límites legales y los valores
recomendados. En los casos donde se produjeron superaciones de los valores legales y
recomendados se diseñaron gráficos para visualizar la frecuencia de superación anual.
La descripción horaria de los niveles de los contaminantes puede ser utilizada para comprender
el comportamiento de las emisiones, información útil en el funcionamiento de los modelos locales
y regionales de calidad del aire. Para conocer el comportamiento de los contaminantes hemos
realizado (i) perfiles mensuales, (ii) semanales y (iii) por hora por estación de monitoreo y
contaminante. Se exploraron los datos utilizando gráficos de las medias horarias y mensuales de
las concentraciones de los contaminantes por estación de monitoreo.
Los datos horarios se trabajaron en R [R Development Core Team, 2011] utilizando las librerías
openair [Carslaw & Ropkins, 2012, Carslaw, 2013], dplyr [Wickham, 2009], reshape2 [Wickham,
2007] y ggplot2 [Wickham, 2016].
Capítulo 4
96
III. Conocer la evolución temporal de los contaminantes
Un estadístico relevante para la implementación de políticas públicas es la tendencia a largo plazo
de las medias mensuales. La tendencia temporal da cuenta del crecimiento o decrecimiento de un
parámetro a lo largo del tiempo, considerando un comportamiento lineal.
Las tendencias de los promedios mensuales de las concentraciones de los contaminantes se
analizaron en cada estación de monitoreo utilizando la función Theil-Sen (Theil, 1950; Sen, 1968).
Para la estimación se realizó una desestacionalización. La pendiente obtenida representa la tasa
de aumento o disminución anual de la concentración de cada contaminante en la estación de
monitoreo analizada. Las tendencias calculadas se consideraron estadísticamente significativas
con un nivel de significación de 0.05 o inferior.
El procesamiento se realizó en R, utilizando la librería openair (Carslaw y Ropkins, 2012, Carslaw,
2013). Se analizó la tendencia temporal para cada contaminante en cada estación, y tras esto se
analizó la tendencia de cada contaminante en función de la dirección del viento en las estaciones
que contaban con información de la meteorología local.
IV. Evaluar la distribución espacial de los contaminantes
Las imágenes satelitales aportan información útil de la distribución espacial de los
contaminantes. Sin embargo, no existe una relación lineal entre la variable detectada por el
satélite (AOD) y las concentraciones medidas en superficie. Por ello, fue preciso integrar esta
información dentro de un modelo multivariable que permitió simular las concentraciones de
PM2.5 y PM10 a nivel de suelo con una resolución de 1km.
Para esto, se descargaron un total de 15704 imágenes del producto satelital MCD19A2 generadas
entre el 1 de enero de 2008 y el 30 de septiembre de 2018. La descarga se realizó mediante la
aplicación del comando wget. Los productos descargados se convirtieron del formato HDF5 a
formato GEOtiff mediante el desarrollo de un código en Python 2.7 utilizando la librería gdal.
Como se deseaba trabajar con la máxima calidad de los valores de AOD se aplicó como máscara
la capa SDS de “AOD AQ” que viene dada en el producto satelital. Esta capa se encuentra
codificada como un número binario de 16 bits. Su utilización requirió la recodificación de la capa
como una máscara, la cual se aplicó sobre la capa con valores de AOD. Esto se realizó en R
empleando la librería raster.
Para la validación de los productos satelitales AOD se utilizaron los datos de AERONET de la
estación Burjassot. Dado que AERONET mide a distintas longitudes de onda, pero no mide a la
longitud de onda de 550 nm que es donde registra el sensor MODIS, fue necesario interpolar los
datos de AERONET. Esto se realizó mediante una interpolación cuadrática de las mediciones de
AERONET registradas a las longitudes de onda 440, 500 y 675 nm, para modelar el valor de AOD
a 550 nm.
El producto MCD19A2 es un producto diario que resume la información de distintas órbitas de
los satélites Terra y Aqua, por tanto, fue preciso extraer la información de las horas de sobrepaso
de los satélites sobre el sitio de AERONET para relacionarlas con las mediciones realizadas por
AERONET. La validación se realizó utilizando un promedio de las mediciones de AERONET
dentro de un rango temporal de 15 y 30 min de la hora de paso de los satélites.
Comunidad Valenciana, España
97
A su vez, para obtener los valores de MODIS en la estación Burjassot se generó un buffer de 3 y
7.5 km de diámetro entorno a la estación. Se tomaron estas dos medidas de buffer para evaluar el
mejor tamaño para la validación de AOD (Figura 17).
Figura 17. Esquema representativo de la imagen
satelital, la estación de monitoreo y el área de influencia
para la validación de AOD MODIS-MAIAC.
Como los productos de AOD presentaron una gran cantidad de datos faltantes, se decidió realizar
un llenado mediante interpolación por el método de distancia inversa ponderada (IDW) con una
distancia de alisamiento de 5 km [Goldberg et al., 2019]. Para evaluar el error de la interpolación
se realizó una validación cruzada de 5 veces sobre el total de los datos.
Se analizó la correlación de AOD con PM10 y PM2.5 para seleccionar la variable a modelar. Las
capas de información consideradas para su inclusión en el modelo multivariante pueden verse en
la Tabla 12. Para la generación del modelo LUR se contó con la información meteorológica
extraída de MERRA-2, la clasificación de uso de suelo provista por CORINE y la elevación del
terreno para el área de estudio.
Tabla 12. Lista completa de variables accesorias analizadas para confeccionar el modelo LUR
Código Variable Unidades Resolución espacial
Resolución temporal
AOD MAIAC AOD - 1km x 1km Diaria
BCSMASS Concentración másica superficial de carbono negro
kg.m-3 0.5° x 0.625° 3 horas
DMSSMASS Concentración másica superficial de sulfuro de dimetilo
kg.m-3 0.5° x 0.625° 3 horas
DUSMASS Concentración másica superficial de polvo kg.m-3 0.5° x 0.625° 3 horas
DUSMASS25 Concentración másica superficial de polvo de tamaño PM2.5
kg.m-3 0.5° x 0.625° 3 horas
Capítulo 4
98
OCSMASS Concentración másica superficial de carbono orgánico
kg.m-3 0.5° x 0.625° 3 horas
SO2SMASS Concentración másica superficial de SO2 kg.m-3 0.5° x 0.625° 3 horas
SO4SMASS Concentración másica superficial de SO4 kg.m-3 0.5° x 0.625° 3 horas
SSSMASS Concentración másica superficial de sal marina
kg.m-3 0.5° x 0.625° 3 horas
SSSMASS25 Concentración másica superficial de sal marina tamaño PM2.5
kg.m-3 0.5° x 0.625° 3 horas
PBLH Altura de la capa límite planetaria m 0.125° x 0.125° 3 horas
PRECTOT Precipitación superficial total kg.m-2.s-1 0.125° x 0.125° 3 horas
SPEED Velocidad superficial del viento m.s-1 0.125° x 0.125° 3 horas
SPEEDMAX Velocidad superficial máxima del viento m.s-1 0.125° x 0.125° 3 horas
USTAR Escala de velocidad de superficie m.s-1 0.125° x 0.125°° 3 horas
H1000 Altura a 1000 hPa m 0.125° x 0.125° 1 hora
ALBEDO Surface albedo % 0.125° x 0.125° 6 horas
CLDHGH Fracción de área cubierta por nubes bajas % 0.125° x 0.125° 3 horas
CLDLOW Fracción de área cubierta por nubes altas % 0.125° x 0.125° 3 horas
PS Presión en superficie hPa 0.125° x 0.125° 3 horas
T Temperatura del aire a 1000 hPa K 0.125° x 0.125° 3 horas
RH Humedad relativa a 1000 hPa % 0.125° x 0.125° 3 horas
U Componente de viento hacia el este m.s-1 0.125° x 0.125° 3 horas
V Componente de viento hacia el norte m.s-1 0.125° x 0.125° 3 horas
DEM Elevación del terreno m 1 km x 1 km -
Usos de suelo Polígono -
CL1 Proporción de superficie artificial % 300 m x 300 m -
CL2 Proporción de superficie agrícola % 300 m x 300 m -
CL3 Proporción de superficie humedales % 300 m x 300 m -
CL4 Proporción de superficie agua % 300 m x 300 m -
En todos los casos donde fue necesario, la información de entrada al modelo se recortó a nivel
Comunidad Valenciana, se proyectó a WGS84, y se adaptó a la grilla de MAIAC de 239 filas por
158 columnas con una resolución de 0.01º, mediante un remuestreo mediante el método de
interpolación bilineal.
Previo a ser incluidas en el modelo, todas las variables fueron centradas y normalizadas mediante
el parámetro Z. Luego, se hizo un análisis de correlación para evitar la generación de resultados
espurios por información redundante.
Comunidad Valenciana, España
99
Los modelos fueron implementados en el lenguaje R [R Core Team, 2017]. Se utilizó el paquete
RandomForest [Liaw y Wiener, 2002] para el entrenamiento y estimación de RF, y el paquete
caret [Kuhn et al., 2019] para la elaboración de los sets de entrenamiento y de prueba.
Como medida de calidad del ajuste del modelo se utilizó el coeficiente de determinación (R2), el
RMSE y el MAE. Toda la metodología empleada en la confección de los mapas de concentración
se resume en la Figura 18.
Figura 18. Resumen de la metodología desarrollada para confeccionar los mapas de PM2.5.
V. Confección de mapas de calidad de aire, mapas de riesgo y mapas de FAM
Obtenidos los mapas de concentración se elaboraron una serie de cartografías temáticas para el
área de la Comunidad Valenciana. Los mapas se realizaron en función de la metodología descrita
en la propuesta metodológica para todas las fechas a lo largo del período de estudio. En la versión
impresa se muestran solo los mapas anuales como ejemplo de los productos elaborados.
Capítulo 4
100
Módulo III - Etapa de comunicación de los resultados
III.I. Resultados
I. Análisis del patrón de las estaciones
Las estaciones de monitoreo de la calidad del aire en Valencia fueron incorporadas en el territorio
en función de distintas preocupaciones. En este punto nos interesa evaluar la distribución de las
estaciones, si la misma responde a un patrón uniforme a lo largo del territorio o si se presentan
zonas más monitoreadas que otras.
Para ello, en la Figura 19 se muestra la frecuencia relativa por cuadrante de las estaciones, la
función de intensidad y la prueba de Chi-cuadrado.
Figura 19. Análisis de patrones de las estaciones en la Comunitat Valenciana. a)
Función de intensidad, b) Frecuencia relativa por cuadrante; c) Prueba de Chi-cuadrado
Comunidad Valenciana, España
101
Para evaluar si estamos frente a un proceso homogéneo de Poisson (CSR) se realizó una prueba
de chi-cuadrado basada en conteos por cuadrantes (Figura 19, c). Como hipótesis nula los sitios
se encuentran idénticamente distribuidos en el espacio y como hipótesis alternativa, existe una
distribución heterogénea de las estaciones.
En base a los resultados, podemos descartar la hipótesis nula a favor de la hipótesis alternativa
(X2 = 23.07, df = 3, p-value < 0.005). Tal como se puede observar en la Figura 19 c, las estaciones
se encuentran distribuidas de forma no homogénea presentándose cuadrantes con un mayor
número de estaciones.
La mayor densidad de estaciones se presenta en la zona este-noreste de la Comunidad Valenciana,
sobre el área donde se concentra la población (Valencia y Castellón). Una segunda concentración
de estaciones se da al sur, en las cercanías de la ciudad de Alicante.
II. Evaluación de calidad de los datos de las estaciones de monitoreo
En este trabajo se utilizaron las mediciones de la Red de Calidad de Aire de la Comunidad
Valenciana para el período comprendido entre 2008 y 2018. En ese período hay un registro de
concentraciones horarias en 60 puntos de la Comunidad Valenciana. En algunos de estos sitios se
desarrolló un monitoreo temporal, de meses a unos pocos años, y en otros, hubo un monitoreo
continuo durante los 10 años que involucra este estudio.
Las estaciones de monitoreo empleadas utilizan diferentes equipamientos, y se observan
variaciones respecto a los contaminantes medidos en cada estación a lo largo del período. A su
vez, se presentaron extensos períodos de registros faltantes y se tiene conocimiento de
modificaciones de los sensores utilizados en el transcurso del monitoreo. Esto generó una base de
datos heterogénea con un alto porcentaje de datos faltantes.
En la Figura 20 se puede observar el porcentaje de las mediciones efectuadas para cada
contaminante en cada estación de monitoreo terrestre dentro del período de tiempo en estudio.
Tal como se puede ver, son pocas las estaciones que muestran una proporción superior al 70% de
las mediciones para los distintos contaminantes.
Figura 20. Porcentaje de datos por contaminantes para cada estación de monitoreo
Capítulo 4
102
La serie cronológica completa presenta 92 760 registros horarios, es decir, 127 meses de datos.
Sin embargo, como se mencionó anteriormente, existe un alto porcentaje de datos faltantes. En
la Figura 21 se puede observar el % de datos existentes por mes para las mediciones de los
contaminantes gaseosos en cada una de las estaciones. El CO no se muestra puesto que solo se
registraron mediciones en el período 2012-2017, con extensos períodos sin mediciones, dejando
solo los años 2013, 2015 y 2016 con mediciones confiables de ser analizadas. Por esto, se descartó
el CO como contaminante a estudiar.
En algunos sitios solo se registran mediciones por escasos meses o se presentan altas tasas de
datos faltantes a lo largo de todo el período. En otros casos, las estaciones fueron relocalizadas,
faltando varios años de información. Un caso llamativo en el registro son las mediciones de SO2
que muestra en la mayoría de las estaciones una discontinuidad para el año 2011. La falta de
información detallada por parte de la agencia ambiental respecto al mantenimiento de las
estaciones dificulta la interpretación de estas anomalías en la base de datos.
La Figura 22 se presentan las estaciones que monitorean PM10 y PM2.5. A simple vista puede
verse que el número de estaciones que registran estos contaminantes es menor a los que registran
gases y que en la mayoría de las estaciones se han producido discontinuidades severas en las
mediciones.
Comunidad Valenciana, España
103
Figura 21. Porcentaje de las mediciones mensuales de las concentraciones de los gases NO, NO2,
SO2 y O3 para cada estación
Capítulo 4
104
Figura 22. Porcentaje de las mediciones mensuales de las concentraciones del material
particulado PM2.5 y PM10 para cada estación
En vistas de la falta de continuidad en algunos sitios de monitoreo y de la alta proporción de datos
faltantes en el set de datos se decidió realizar una selección de aquellas estaciones que
presentaban la mayor cantidad de datos a lo largo del período de estudio seleccionado. Para elegir
las estaciones se siguió el criterio establecido por la Directiva de la EU [Directiva 2008/50/CE].
Si en una estación han faltado más del 25% de las mediciones horarias de uno de los
contaminantes correspondientes a un año determinado, ese año concreto se excluyó del análisis
de los datos horarios.
Luego, como este trabajo pretende dar cuenta de un análisis histórico de las mediciones, si se
contaba con menos de 6 años de mediciones (2/3 del período), la estación fue descartada del
análisis. Finalmente, se decidió incluir solo aquellas estaciones que presentaban registros de al
menos 3 de los contaminantes seleccionados para el estudio (NO, NO2, O3, SO2, PM10, PM2.5) para
poder realizar análisis cruzados entres los contaminantes.
A partir de los criterios antes mencionados, se seleccionaron 25 estaciones para trabajar en el
período comprendido entre las 00:00 hs del 01 de enero del 2008 hasta las 23:00 hs 31 de julio
de 2018 (Tabla 13).
Comunidad Valenciana, España
105
Tabla 13 - Estaciones incluidas en el análisis junto con su código, el nombre corto empleado y los
contaminantes que se miden
Nombre completo Código Nombre corto
NO NO2 O3 SO2 PM2.5 PM10
Alacant - El Pla X03014006 Pla X X X X
Alacant - Rabassa X03014009 Raba X X X X
Benidorm X03031002 Beni X X X
Elx - Agroalimentari X03065006 Elx X X X X
Elda - Lacy X03066003 Elda X X X X X X
L'Alcora X12005005 Alcora X X X X X
Almassora - C. P. Ochando X12009007 Alma X X X X X
Benicassim X12028001 Ben X X X X X
Burriana X12032001 Bur X X X X
Castellò - Penyeta X12040008 Peny X X X X X
Castello - Grau X12040010 Grau X X X X
Coratxar X12093004 Pobla X X X X
Sant Jordi X12099001 SJ X X X
Vilafranca X12129001 VCid X X X X
Viver X12140002 Viver X X X X X X
Zorita X12141002 Zorita X X X X
Albalat dels Tarongers X46010001 Alba X X X X X
Buñol - Cemex X46077006 Buniol X X X X X X
Caudete de las Fuentes X46095001 Caude X X X X X X
Quart de Poblet X46102002 Quart X X X X
Sagunt - CEA X46220010 Sagunt X X X X X X
Valencia - Pista de Silla X46250030 Pista X X X X
Valencia - Politecnic X46250046 Poli X X X X
Valencia - Moli del Sol X46250048 Moli X X X X
Villar del Arzobispo X46258001 Villar X X X X X X
Las ubicaciones de las estaciones pueden verse en la Figura 23.
Capítulo 4
106
Figura 23. Estaciones de monitoreo que registraron una alta tasa de datos medidos para al
menos 3 de los contaminantes estudiados en el período 2008-2018.
En general, no se utilizó ninguna imputación para rellenar los datos faltantes, excepto cuando así
se precisó en las técnicas analíticas que a posteriori se aplicaron. Esta decisión se debe a que el
objetivo de este trabajo es obtener la mejor caracterización del área de estudio y al incluir datos
modelados sobre series de tiempo con comportamiento azaroso es posible introducir errores que
sesguen los resultados de los análisis.
III. Evaluación de la redundancia entre las estaciones
Análisis de correlación entre estaciones
Para conocer la redundancia entre las estaciones se realizó un análisis de correlación para cada
contaminante en cada estación con los datos horarios. Como los datos presentaron una
distribución estadística con un fuerte corrimiento de la normalidad, se seleccionó el coeficiente
de correlación de Spearman para evaluar la fuerza de la relación. La Figura 24 muestra los
coeficientes obtenidos para cada par de estaciones.
Comunidad Valenciana, España
107
Figura 24. Factor de correlación de Spearman entre pares de estaciones de monitoreo para
cada contaminante (p < 0.05). La cruz en el recuadro indica que la correlación fue no
significativa.
Capítulo 4
108
La correlación de los contaminantes no fue uniforme para todos los contaminantes, si bien se
observó que en la mayoría de los casos fue significativa. NO y NO2 presentaron una correlación
promedio baja de 0.18 [-0.04, 0.68] y 0.26 [-0.04, 0.65], respectivamente, indicándose entre
corchetes el rango de los factores de correlación. Las estaciones SJ y Ben no mostraron correlación
para NO, al igual que las estaciones Pobla y Villar para NO2.
De forma similar, SO2 mostró una correlación media baja de 0.15 [-0.09, 0.70]. En particular, las
estaciones Zorita y Bur presentaron las correlaciones más débiles y correlación no significativa
con Pobla y Moli respectivamente.
En contraste, el O3 presentó la mayor correlación media: 0.68 [0.29, 0.91], donde la estación
Pobla se diferenció sutilmente del resto por mostrar un menor grado de redundancia (r = 0.40).
Los factores de correlación para material particulado también fueron elevados: 0.41 [0.14, 0.66]
y 0.49 [0.27, 0.75] para PM10 y PM2.5. La estación Pista se diferenció con una correlación media
más baja del resto (r = 0.27) para PM10.
Este análisis muestra correlaciones significativas (p < 0.05) en la mayoría de los casos, siendo las
más altas para el O3, PM2.5 y PM10, lo que sugiere que la red de monitoreo contiene estaciones
potencialmente redundantes. A su vez, se observa que las estaciones más alejadas de las zonas
urbanas (Zorita, Pobla) se diferencian del resto de las estaciones.
Estos resultados conllevan a continuar el análisis, en la búsqueda de identificar las estaciones de
monitoreo potencialmente redundantes con un PCA, y luego confirmar la redundancia con un
análisis de cluster jerárquicos.
Análisis de componentes principales
El conjunto de datos recolectados por las estaciones de monitoreo terrestre nos brinda
información respecto de la variabilidad de las concentraciones para los distintos contaminantes
en el territorio. La técnica de PCA nos permite identificar la parte de esa variabilidad que es
compartida entre las distintas estaciones de monitoreo.
Un PCA arroja como resultado el número de componentes principales que se deben considerar
para conocer la variabilidad de la información que se encuentra en el conjunto de datos. En una
situación ideal, sin redundancia, esperaríamos que existan tantos componentes como estaciones.
En ese caso, cada estación estaría cubriendo un objetivo particular en la recolección de la
información. Se decidió como límite de corte el 70% de la varianza acumulada [Oshima et al.
2002].
Como podemos ver en la Figura 25, para NO, NO2, SO2, PM10 y PM2.5 la proporción de la varianza
explicada por el primer componente fue inferior al 50%. Esto, en principio, es positivo ya que
indica que no existe una alta redundancia entre las mediciones de las estaciones de monitoreo.
Comunidad Valenciana, España
109
Figura 25. Proporción de la variancia explicada y de la variancia acumulada por
componente principal para cada contaminante
Capítulo 4
110
El 70% de la varianza de las mediciones de cada uno de estos contaminantes se explica en 10, 8,
11, 5 y 4 componentes principales para NO, NO2, SO2, PM10 y PM2.5 respectivamente. Por otra
parte, las concentraciones de O3 muestran un mayor grado de redundancia, alcanzando el 70% de
explicación de la variancia con solo un componente principal.
Considerando que se trabaja con 21 o 15 estaciones, dependiendo del contaminante, el 70% de la
varianza se explica con un número relativamente bajo de estaciones. En otras palabras, para la
mayoría de los contaminantes, la mitad de las estaciones no están aportando información nueva
y, por tanto, muestran información redundante, pudiéndose relocalizar para obtener un mejor
conocimiento de los fenómenos estudiados.
Continuando el análisis, se aplicó una rotación de tipo “varimax” y se repitió el análisis para
identificar las estaciones comprendidas dentro de cada componente principal. La Figura 26
muestra el porcentaje de la variancia de las mediciones en cada estación por contaminante que
queda explicado en cada uno de los componentes principales (sólo se muestran los porcentajes
mayores al 40% para facilitar la lectura).
Como caso particular, para el O3, que mostró un alto nivel de explicación con tan solo un único
componente, se encontró que la variancia de todas las estaciones se encontraba explicada por
encima del 75% en ese componente, con excepción de la estación Peny que mostró una
redundancia del 47% dentro de ese componente principal.
En algunos casos, podemos ver que la información recolectada por una estación no es posible de
ser reemplazada por otra. Por ejemplo, las mediciones efectuadas para el NO en las estaciones
Beni, Peny, SJ, VCid, Pobla se encuentran mayoritariamente representadas por un único
componente y ninguna otra componente aporta un porcentaje alto para su comprensión. Para
NO2 esto sucede con las estaciones Beni, Peny y Pobla; para el SO2 con las estaciones Zorita, Viver,
VCid, Pobla, Elx, Caude y Alma; para el PM2.5 con la estación Buniol y para PM10 con la estación
Raba.
En otros casos se observa que porcentajes elevados de la información recolectada por una estación
se solapa dentro de un mismo componente principal con otra estación. Esto es un fuerte indicador
de redundancia. Para conocer si existen agrupaciones significativas se realizó un análisis de
cluster, tal como se detalla a continuación.
Comunidad Valenciana, España
111
Figura 26. Porcentaje de la varianza explicada de cada una de las estaciones en cada uno de los
componentes rotados (RC). Se omitieron los porcentajes inferiores al 40% para facilitar la lectura.
Capítulo 4
112
Análisis clúster de las estaciones
Para agrupar las estaciones se realizó un análisis cluster jerárquico, partiendo de la matriz de
correlación. Se utilizó la técnica de cluster jerárquicos ya que es una técnica que no requiere
supervisión para definir el número de cluster y se empleó la medida de distancia euclidea para
evaluar la disimilitud entre las estaciones. A su vez, se aplicó el algoritmo desarrollado en
[Shimodaira, 2004] para establecer los agrupamientos significativos (p < 0.05).
En la Figura 27 se observa el agrupamiento de las estaciones de monitoreo en cluster jerárquicos
por cada contaminante medido. Para NO se identificaron 2 cluster, dando un total de 10 grupos
diferenciados. Para el NO2, el análisis devolvió la formación de un gran cluster conteniendo 18
estaciones, generando 4 categorías diferenciadas. Para el O3 se obtuvo un cluster con todas las
estaciones con excepción de la estación Pobla. Algo similar sucedió con las mediciones de SO2,
donde un gran cluster agrupó todas las estaciones con excepción de Pobla y Zorita. Finalmente,
para PM10 se formaron 2 cluster con 6 estaciones cada uno, dejando fuera las estaciones Pista y
Raba. De forma similar, para PM2.5 se obtuvieron 2 cluster grandes, dejando sin agrupar a la
estación Alcora.
Comunidad Valenciana, España
113
Figura 27. Dendograma para cada uno de los contaminantes medidos en las estaciones de
monitoreo de la Generalitat Valenciana
Para visualizar estas relaciones en el territorio, la Figura 28 presenta un mapa con la distribución
espacial de las estaciones. De esta forma, se puede apreciar más claramente un agrupamiento de
las estaciones vinculadas a las zonas urbanas para el NO (Alma, Elx, Elda, Ben, Bur, Sagunt,
Alcora, Grau, Pla, Quart, Pista), PM2.5 (Raba, Elba, Alma, Poli, Moli, Ben, Penny, Alba y Sagunt)
y PM10 (Alma, Poli, Moli, Sagunt, Ben y Penny).
Capítulo 4
114
Figura 28. Mapa de ubicación de los clústeres generados para las estaciones de monitoreo.
Comunidad Valenciana, España
115
En función de los resultados obtenidos, se evaluó la redundancia de las estaciones para todos los
contaminantes. Para ello, se realizó un análisis de patrones, donde a cada cluster se le asignó un
símbolo para identificar con mayor claridad los casos repetidos. La Tabla 14 muestra el código
generado para cada estación de monitoreo.
Tabla 14. Análisis de patrones para los clústeres generados para cada estación por
contaminante. Cada letra representa un agrupamiento clúster para cada contaminante.
Estación
Contaminantes
NO NO2 O3 SO2 PM10 PM2.5
Pla A A A A - -
Raba - - A A C B
Beni C A A - - -
Elx A A A A - -
Elda A A A A A B
Alcora A A A A - C
Alma A A - A B B
Ben A A - A B B
Bur A A A A - -
Peny D A A - B B
Grau A A A A - -
Pobla E B B B - -
SJ B C A - - -
VCid B D A A - -
Viver F A A A A A
Zorita - - A C A A
Alba G A A A - B
Buniol H A A A A A
Caude I A A A A A
Quart A A A A - -
Sagunt A A A A B B
Pista A A A - D -
Capítulo 4
116
Poli - - A A B B
Moli - - A A B B
Villar J A A A A A
Analizando la Tabla 14 queda en evidencia que las estaciones Pla, Elx, Bur, Grau y Quart; Alma
y Ben; y Poli y Moli pertenecen al mismo cluster para los distintos contaminantes incluidos en
este estudio, siendo completamente redundante en todos los contaminantes que se miden. Por
otra parte, las estaciones Raba, Beni, Elda, Alcora, Peny, Pobla, Sj, VCid, Viver Zorita, Alba,
Buniol, Caude, Sagunt, Pista y Villar presentan comportamientos únicos.
IV. Analizar el área de influencia de las estaciones de monitoreo
En el monitoreo de la calidad del aire las mediciones que se realizan están fuertemente
influenciadas por las actividades que se efectúan en el área donde las estaciones se encuentran
emplazadas. Es por esto que, en el diseño del monitoreo, es preciso considerar que las
características de la zona a estudiar sean homogéneas con el resto del territorio al cual se espera
representar.
En este apartado nos interesa conocer las actividades productivas cercanas al área de influencia
de las estaciones de monitoreo para contextualizar con mayor detalle el resto de los resultados.
En la Tabla 15 pueden verse las estaciones con las que se trabajó y las zonas en las cuales se
ubican.
Tabla 15. Estaciones anidadas por zona y actividad contaminante principal.
Zona Estaciones Actividad contaminante principal identificada
ES1001 SJ Zona de influencia de la Central térmica de Andorra
ES1002 Zorita, Pobla, VCid
ES1013 Elx Zona de actividades cementeras
ES1017 Raba, Pla, Elda, Beni
ES1003 Ben, Grau, Bur, Alcora, Peny, Alma Zona de actividades cerámicas
ES1016 Quart, Poli, Moli, Pista Áreas de tráfico intenso
ES1007 Sagunt, Alba Área de influencia de emisiones de tráfico e industriales
ES1008 Villar, Viver
Las estaciones Buniol y Caude se encuentran en la zona ES1010, pudiendo ser influenciadas por
la zona ES1008.
Para identificar las potenciales fuentes de emisión se utilizó la clasificación de uso de suelo
CORINE. Se aplicó un buffer de 1 km entorno a la estación y se analizaron las clases de usos de
suelo presentes en estas áreas. En la Figura 29 se pueden ver los sitios de monitoreo en el
territorio y en la Figura 30 los sitios de monitoreo sobre el mapa de uso de suelo CORINE.
Comunidad Valenciana, España
117
Figura 29. Vista detalle del área circundante a las estaciones de la Red de Monitoreo de la Comunidad
Valenciana incluidas en este estudio.
Capítulo 4
118
Figura 30. Vista detalle de las clases CORINE de uso de suelo en el área circundante a las estaciones de la
Red de Monitoreo de la Comunidad Valenciana incluidas en este estudio.
Comunidad Valenciana, España
119
El área de ocupación de las categorías de usos de suelo provista por CORINE fue integrada para
cada estación de la Red de Monitoreo. En la Figura 31 se muestra el porcentaje de usos de suelo
que influyen en cada una de las estaciones de monitoreo.
Figura 31. Porcentaje de las clases CORINE en las estaciones de monitoreo.
Para más detalle, en la Tabla 16 se presentan los porcentajes de cada categoría para cada una en
las estaciones. Se tomó como punto de corte el 60% de ocupación para asignar una categoría a la
estación. De esta forma, las estaciones que según categoría CORINE 2012 pueden representar a
una superficie característica son para la:
• Superficie artificial (A): Pla, Raba, Grau, Quart, Pista, Poli y Moli;
• Zonas agrícolas (B): Elx, Alcora, Bur, Viver, Alba, Caude y Villar;
• Bosques y áreas seminaturales (C): Pobla, VCid y Zorita;
Mientras, las estaciones identificadas con usos mixtos fueron: Beni, Elda, Alma, Ben, Peny, SJ,
Buniol y Sagunt.
Comparando estos resultados con los anteriormente presentados, se observa que el cluster Poli y
Moli pertenecen al mismo uso de suelo, mientras que el cluster compuesto por las estaciones Pla,
Grau, Quart, Elx y Bur se encuentra dividido entre la clase artificial y la zona agrícola. Sin
embargo, ambos usos comparten las mismas fuentes de contaminantes, como puede ser el
transporte automotor.
Capítulo 4
120
Tabla 16. Característica de las estaciones de monitoreo de calidad de aire de Valencia. En
color las estaciones que superan el 60% en alguna de las categorías.
Estación de monitoreo Nombre corto
Clases %
1 2 3 4 5
X03014006 El Pla Pla 80.3 17.2 2.5 - -
X03014009 Rabassa Raba 76.3 23.2 - - -
X03031002 Benidorm Beni 34.2 12.1 53.7 - -
X03065006 Agroalimentari Elx 21.9 78.1 - - -
X03066003 Lacy Elda 27.4 36.5 36.2 - -
X12005005 L'Alcora Alcora - 86.8 13.2 - -
X12009007 C. P. Ochando Alma 48.5 51.5 - - -
X12028001 Benicassim Ben 29.7 25.9 44.4 - -
X12032001 Burriana Bur 1.0 99.0 - - -
X12040008 Penyeta Peny 26.8 34.3 38.8 - -
X12040010 Grau Grau 66.1 33.9 - - -
X12093004 Coratxar Pobla - - 100 - -
X12099001 Sant Jordi SJ 42.3 38.0 19.7 - -
X12129001 Vilafranca VCid 0.4 6.5 93.2 - -
X12140002 Viver Viver 6.0 89.4 4.7 - -
X12141002 Zorita Zorita - 33.8 66.2 - -
X46010001 Albalat dels Tarongers Alba 9.9 63.3 26.8 - -
X46077006 Cemex Buniol 43.4 38.8 17.9 - -
X46095001 Caudete de las Fuentes Caude 10.6 87.7 1.7 - -
X46102002 Quart de Poblet Quart 62.5 37.5 - - -
X46220010 CEA Sagunt 44.3 44.9 - 6.2 4.5
X46250030 Pista de Silla Pista 97.6 2.4 - - -
X46250046 Politecnic Poli 81.5 18.5 - - -
X46250048 Molí del Sol Moli 72.9 27.1 - - -
X46258001 Villar del Arzobispo Villar 3.5 96.5 - - -
Comunidad Valenciana, España
121
V. Analizar los vientos locales en los sitios de monitoreo
Como se observó anteriormente, el estudio de la calidad del aire requiere analizar las variables
meteorológicas que contribuyen a la dispersión de los contaminantes. En este sentido, resulta
fundamental contar con información del viento en el mismo punto y momento de los registros de
los contaminantes.
Los flujos del viento que llegan a las estaciones pueden sufrir variaciones respecto a los valores
registrados por las estaciones meteorológicas en altura. Por ello, resulta conveniente utilizar la
información recolectada en las estaciones de monitoreo que se encuentran a nivel del suelo.
De las estaciones seleccionadas para analizar en este trabajo, no todas las estaciones presentan
registros de los parámetros meteorológicos. En 16 de las 25 estaciones incluidas en este trabajo se
mide la dirección y la velocidad del viento in situ. Estas estaciones son: Raba, Beni, Elx, Elda,
Alma, Bur, Peny, Grau, Pobla, SJ, VCid, Zorita, Buniol, Sagunt, Pista y Villar.
Para la construcción de las rosas de los vientos se utilizó como parámetro de corte el método de
Jenks, tal como se describió anteriormente. La Figura 32 muestra la frecuencia de los vientos en
función de su ángulo de procedencia para cada una de las estaciones, los colores indican la
intensidad de los vientos registrados y el ancho de la sección, su frecuencia. Puede verse que en
las estaciones Alma, Bur, Elx, Peny, Raba, Sagunt, SJ y VCid existe mayor frecuencia de los vientos
del sector WN. Mientras en las estaciones Beni y Grau cobra una mayor relevancia el sector WS,
en la estación Zorita el WN, N y el S, en la estación Buniol y Pista el W. En la estación Villar los
vientos más influyentes provienen del W y del SE.
El viento máximo para todo el período se registró en la estación Villar y alcanzó los 24.8 m.s-1.
Mientras que la velocidad media máxima se registró en la estación Pobla (4.14 m.s-1). En la tabla
de valoración de vientos de Beaufort, estos son vientos tranquilos, considerados bajo la
denominación de ventolinas. Las estaciones con vientos medios más calmos fueron: Pista (0.83
m.s-1), Alma (0.93 m.s-1) y Raba (0.95 m.s-1), correspondiendo a estaciones urbanas y de uso
mixto. Esta situación de calma y suaves ventolinas dificulta la dispersión de los contaminantes,
favoreciendo escenarios de mayores concentraciones de los contaminantes en el territorio.
Capítulo 4
122
Figura 32. Rosa de vientos (m.s-1)
Comunidad Valenciana, España
123
Como puede verse en la Figura 33, la dirección de proveniencia de los vientos varía a lo largo del
año. Incluso, en algunas estaciones, cambia la dirección del viento más frecuente. Al modificarse
el patrón de vientos y existiendo un viento fuertemente predominante, pueden arrastrarse
contaminantes desde distintas fuentes hasta la estación de monitoreo a lo largo del año.
En general, los vientos son más calmos durante el verano y más intensos en el invierno (Figura
33). Los cambios interanuales característicos de esta región no se observan en todas las estaciones
por igual. En el verano, para las estaciones Alma, Buniol, Elx, Pobla y Segunt aparece un viento
predominante desde el sector E, mientras que en las estaciones Villar, VCid y Zorita se observa
desde el sector SE. En las estaciones Grau y Peny se observa un corrimiento hacia el sector E desde
la primavera. Estas diferencias pueden asociarse a los obstáculos que las estaciones presenten en
sus cercanías.
Dado que los vientos cambian estacionalmente, variando su intensidad y dirección predominante,
es posible considerar que el área de influencia considerada para las estaciones se vea modificada
a lo largo del año.
Capítulo 4
124
Figura 33. Rosa de los vientos por estación climática (m.s-1)
Comunidad Valenciana, España
125
VI. Análisis de aportes
Las rosas de contaminación nos permitieron identificar los sectores de donde llegaron los
contaminantes. Para la estación Raba se observó que las mayores concentraciones del NO y NO2
provinieron del N y NE, llegando con más frecuencia las concentraciones mayores en el invierno
y la primavera (las estaciones con mayores vientos). Para O3 se observó que los mayores aportes
en todas las estaciones provinieron del E, SE y S, donde las concentraciones mayores llegaron con
más frecuencia en primavera, otoño y verano. Respecto al SO2, se observó una distribución
equitativa, mostrando mayores concentraciones desde el sector N, E y SE en otoño. Para PM10 se
recibieron aportes mayores desde el W y NW, en particular en otoño e invierno (Figura 34).
Figura 34. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Raba. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
En la estación Beni, las concentraciones mayores de NO y NO2 llegaron de forma descendiente
del N hasta el E. Las concentraciones mayores de O3 provinieron desde los sectores E, NE, SE, S,
SO y en menor grado del O. Estos contaminantes mostraron un mayor nivel en verano y
primavera. El SO2 llegó en niveles mayores desde el S. PM10 y PM2.5 se midieron mayormente en
primavera y verano, con concentraciones mayores desde el sector O y NO (Figura 35).
Capítulo 4
126
Figura 35. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Beni. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
En la estación Elx las mayores concentraciones de NO y NO2 fueron en invierno del sector N. Las
mayores concentraciones de O3 llegan del sector SE, E y S en las estaciones de primavera, verano
y otoño, descendiendo para el invierno. El origen de PM2.5 varía a lo largo del año, apareciendo
del N, E, SE y O en primavera, del SW en verano, de SE, y S y SW en otoño (Figura 36).
Figura 36. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Elx. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento. En esta estación no se monitorea el PM10.
Comunidad Valenciana, España
127
En Alma, para NO, NO2, SO2, PM10 y PM2.5 proviene en todas las estaciones desde NW, N y O, con
el mayor aporte en invierno (Figura 37).
Figura 37. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Alma. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento. En esta estación no se monitorea el O3.
En la estación Bur, el aporte mayoritario de NO, NO2, PM10 y PM2.5 llega del sector N al SW. El
NO tiene sus niveles más altos en invierno, mientras que para el NO2 llega en primavera verano.
En contraposición, las mayores concentraciones llegan desde el sector NE al S (Figura 38).
Capítulo 4
128
Figura 38. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Bur. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
La estación Peny recibe el principal aporte desde O3, PM10 y PM2.5 desde el NE al S. Las mayores
concentraciones de O3 suceden en verano y primavera. NO y NO2 presentan los mayores niveles
en invierno y primavera desde estos mismos sectores (Figura 39).
Figura 39. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Peny. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
Para la estación Grau, NO y NO2 provienen de los mismos sectores con concentraciones máximas
en primavera e invierno. Por su parte el O3 muestra concentraciones máximas del NE, E, SE, y S
con concentraciones máximas desde el sector NE, E, SE y S, con máximos en primavera y verano.
PM10 y PM2.5 proviene del sector N, NW, W y SW mayoritariamente en el invierno (Figura 40).
Comunidad Valenciana, España
129
Figura 40. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Grau. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
La estación Pobla presenta concentraciones bajas de NO y NO2 a lo largo de todo el año. sin
embargo, las concentraciones de O3 varían, siendo mayores en diciembre y primavera. PM10
muestra mayores concentraciones en otoño y verano (Figura 41).
Figura 41. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Pobla. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento. En esta estación no se monitorea el PM2.5.
Capítulo 4
130
La estación SJ muestra valores bajos de NO y NO2, siendo mayores para este último en invierno
desde el SE. Desde este mismo sector llegan las mayores concentraciones de O3, siendo
marcadamente mayores en verano y primavera. Para PM2.5 hubo un fuerte aporte desde el sector
E en verano (Figura 42).
Figura 42. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo SJ.
Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la frecuencia
del viento. En esta estación no se monitorea el PM10.
Estación VCid, NO y NO2 concentraciones mayores en invierno. O3 concentraciones mayores en
verano y primavera, desde distintos sectores, descendiendo desde el E siguiendo el sentido del
reloj. Para PM2.5 se observa concentraciones altas desde el SW en otoño y desde el SE en invierno
con poca frecuencia. Para SO2, concentraciones altas con poca frecuencia desde el sector N
(Figura 43).
Comunidad Valenciana, España
131
Figura 43. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
VCid. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento. En esta estación no se monitorea el PM10.
Estación Zorita, altas concentraciones en primavera y verano, desde distintos sectores. PM2.5 y
PM10 muestra un aumento de la frecuencia de las concentraciones elevadas en verano (Figura
44).
Figura 44. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Zorita. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
Capítulo 4
132
La estación Buniol recibe el mayor aporte de NO y NO2 desde el sector NW. Ocurriendo en
invierno para el NO y en primavera para el NO2. El sector que más aporte O3 es el E, SE y S, siendo
mayor en verano y primavera. Esta diferencia puede indicar una fuente de emisión extra de O3
respecto al NO2. PM10 y PM2.5 provienen mayoritariamente de los sectores del N- NE y S, con
mayores concentraciones y con mayor frecuencia en invierno (Figura 45).
Figura 45. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Buniol. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
En la estación Sagunt, el NO y NO2 presenta una mayor frecuencia de concentraciones altas en
invierno desde el N, W, SW y S. Las concentraciones mayores de O3 provienen del NE, E, SE y S,
con niveles más altos en primavera, verano y otoño (Figura 46).
Comunidad Valenciana, España
133
Figura 46. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Sagunt. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
A la estación Pista llegan altos niveles de NO desde el sector E, N, NW, W y SW principalmente
durante el invierno. Esto no es así con el NO2 que mantiene una distribución más equitativa entre
las distintas direcciones de viento. Para el O3 se observa un fuerte aporte desde el sector N, NE,
E, SE y S en especial en primavera y verano. Las concentraciones más elevadas de PM2.5 y PM10
ocurren en otoño - invierno desde el W, SW, S, SE y E (Figura 47).
Figura 47. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Pista. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
Capítulo 4
134
En la estación Villar las concentraciones de NO2 mayores provienen del primer cuadrante y menos
el segundo. Nuevamente se ve un desfase con el O3, donde el sector que más aporta es el segundo
cuadrante, sobre todo en primavera y verano. Durante todo el año los sectores que menos aportan
PM10 y PM2.5 son el W y el NW (Figura 48).
Figura 48. Rosas de contaminación en función de las direcciones del viento en la estación de monitoreo
Villar. Los colores indican las concentraciones en μg.m-3. El tamaño de las categorías indica el % de la
frecuencia del viento.
VII. Análisis exploratorio de los datos
Estudio de los niveles históricos medidos de las estaciones de monitoreo
Para conocer las concentraciones históricas de los contaminantes, se realizó un estudio
exploratorio de las mediciones a lo largo de todo el período de tiempo analizado. La Tabla 17
muestra los estadísticos descriptivos de los niveles medidos en las 21 estaciones para los
contaminantes presentados en este trabajo.
Comunidad Valenciana, España
135
Tabla 17. Estadísticos descriptivos para las estaciones de la Comunidad Valenciana (media, mínimo y
máximo de las concentraciones horarias). Todos los valores se expresan en μg.m-3
Estación NO NO2 O3 SO2 PM10 PM2.5
Alba 2.34 (0.33 -
11.67)
9.09 (0.33 -
58.17)
61.71 (3.12 -
121.88)
2.41 (0.33 -
9.04) -
7.98 (0.78 -
44.92)
Alcora 6.8 (0.33 -
48.17)
13.95 (0.62 -
60.79)
56.39 (7.92 -
110.96)
4.17 (0.33 -
22.71) -
8.9 (0.94 -
43.46)
Alma 15.16 (0.33 -
156.92)
20.44 (1.15 -
87.96) -
6.33 (0.33 -
48.46)
17.18 (1.44 -
81.83)
9.37 (1.08 -
56.21)
Ben 7.46 (0.43 -
72.21)
15.22 (0.39 -
62) -
3.4 (0.33 -
15.54)
10.43 (0.56 -
88.29)
7.26 (0.56 -
44.79)
Beni 3.11 (0.33 -
17.62)
7.46 (0.39 -
29.38)
78.91 (29.46 -
132.83) - - -
Buniol 3.72 (0.33 -
33.38)
14 (0.82 -
60.42)
61.17 (12.08 -
113.75)
2.65 (0.33 -
14.29)
12.27 (0.56 -
97.96)
7.97 (0.56 -
59.08)
Bur 4.47 (0.33 -
33.21)
10.2 (0.33 -
38.33)
50.71 (3.71 -
107.12)
3.28 (0.33 -
13.62) - -
Caude 2.53 (0.33 -
14.38)
7.19 (0.33 -
36.58)
69.2 (12.25 -
125.88)
3.05 (0.33 -
16.17) 14.9 (1 - 123.21)
9.81 (0.93 -
51.38)
Elda 2.8 (0.33 -
35.33)
9.51 (0.33 -
52.88)
61.37 (10.79 -
106.83)
2.62 (0.33 -
11.75)
14.39 (0.81 -
118.79)
10.04 (0.75 -
52.75)
Elx 4.14 (0.33 -
37.92)
13.59 (0.51 -
56.08)
64.91 (7.12 -
122.79)
2.9 (0.33 -
9.08) - -
Grau 7.89 (0.39 -
91.67)
14.27 (1 -
56.88)
52.86 (4.42 -
112.08)
3.86 (0.33 -
16.75) - -
Moli - - 50.04 (3.38 -
105.88)
3.18 (0.33 -
12)
16.53 (1.83 -
73.08)
13.3 (0.68 -
71.46)
Peny 2.71 (0.33 -
28.26)
10.11 (0.33 -
46.92)
70.48 (12.65 -
134.88) -
12.65 (0.39 -
85.58)
9.04 (0.36 -
58.08)
Pista 25.07 (0.85 -
154.42)
40.51 (2.22 -
120.96)
43.87 (2.96 -
101.12) -
24.59 (2.42 -
143.92) -
Pla 10.36 (0.51 -
128.04)
23.1 (0.39 -
98.58)
57.04 (5.46 -
116.62)
3.24 (0.33 -
11.96) - -
Pobla 2.28 (0.33 -
13.12) 5.03 (0.33 - 18)
84.7 (31.96 -
142.38)
4.86 (0.33 -
54.71) - -
Poli - - 54.77 (5.12 -
116.58)
3.15 (0.33 -
16.85)
18.35 (1.25 -
110.33) 11.74 (1 - 65.5)
Quart 9.39 (0.33 -
84.08)
25.94 (0.97 -
94.29)
50.65 (3.96 -
105.29)
3.73 (0.33 -
14.5) - -
Raba - - 62.77 (12.79 -
114.04)
2.82 (0.33 -
13.08)
14.97 (1.1 -
163.5)
7.76 (0.86 -
49.58)
Capítulo 4
136
Sagunt 3.47 (0.33 -
65.79)
10.03 (0.33 -
52.58)
53.36 (5.33 -
105.79)
2.56 (0.36 -
8.33)
14.21 (1.04 -
102.46)
8.77 (0.94 -
37.29)
SJ 2.26 (0.33 -
13.67) 5.42 (0.33 - 22)
70.02 (19.46 -
118.25) - - -
VCid 2.63 (0.33 - 17) 5.28 (0.33 -
24.04)
75.21 (28.67 -
128)
3.57 (0.33 -
21.71) - -
Villar 2.05 (0.33 -
10.21)
4.61 (0.33 -
19.83)
72.82 (24.5 -
117.12)
2.78 (0.33 -
15.71)
16.01 (0.83 -
126.83)
9.28 (0.53 -
49.21)
Viver 2.05 (0.03 -
11.04) 6.62 (0.53 - 27)
65.88 (16.12 -
115.62)
3.02 (0.33 -
29.67)
13.7 (0.39 -
197.67)
7.97 (0.33 -
55.38)
Zorita - - 63.78 (10.12 -
135.54)
3.63 (0.33 -
19.62)
13.85 (0.9 -
205.62)
7.66 (0.69 -
50.21)
Las estaciones de monitoreo que registran los niveles medios diarios más altos de NO y NO2 para
todo el período son Pista, Quart, Pla y Alma. Las estaciones Pistas, Quart y Pla fueron
caracterizadas como uso de suelo artificial, mientras que la última como uso de suelo agrícola. En
las zonas agrícolas, la presencia de este contaminante puede provenir del uso intensivo de
maquinaria agraria y del uso de fertilizantes en el suelo.
Las máximas concentraciones medias horarias para NO2 se observaron en Pista (120.96 μg.m-3),
Pla (98.58 μg.m-3), Quart (94.29 μg.m-3) y Alma (87.96 μg.m-3). Para NO, las máximas
concentraciones medias horarias fueron de 156.92 μg.m-3 para Alma, 154.42 μg.m-3 para Pista,
142.83 μg.m-3 para Quart y de 128.04 μg.m-3 para Pla.
La Figura 49 muestra la distribución estadística de las mediciones de NO2 en cada una de las
estaciones. Se puede ver que, si bien la media es baja, en todas las estaciones se presentaron
eventos extremos, y en algunos casos, superando concentraciones límites establecidas por la
normativa.
Figura 49. Gráficos violín para el conjunto de mediciones horarias para NO2
del conjunto del período para las distintas estaciones. La línea punteada roja
representa el límite horario que establece la UE de 200 μg.m-3
Comunidad Valenciana, España
137
Las medias octohorarias más elevadas de O3 fueron observadas en las estaciones Pobla, Beni, VCid
y Villar (Figura 50). Resulta llamativo que tanto Pobla como VCid tienen uso de suelo como
bosque y mixto. Los valores elevados de O3 en estas áreas pueden deberse a las reacciones
fotoquímicas donde intervienen compuestos orgánicos volátiles naturales, como las resinas de las
coníferas [Rasmussen, 1972].
Figura 50. Gráfico violín para las medias móviles octohorarias de las
mediciones de O3 para todas las estaciones en el período de estudio. En azul el
límite recomendado por la OMS de 100 μg.m-3 y en rojo el límite para protección
de la salud de la UE de 120 μg.m-3.
Las medias diarias más altas para el SO2 se observaron en las estaciones de Alma, Pobla y Alcora.
Las máximas concentraciones medias diarias se registraron en Pobla (54.71 μg.m-3), Alma (48.46
μg.m-3) y Viver (29.67 μg.m-3).
Como puede verse en la Figura 51, las concentraciones horarias se ubicaron dentro de un rango
muy similar entre las estaciones. Sin embargo, se presentaron eventos extremos por encima de
los 200 μg.m-3 en las estaciones Alma, Grau y Pobla, estaciones ubicadas en zonas con actividad
industriales.
Capítulo 4
138
Figura 51. Mediciones horarias de SO2 para el período 2009-2018 en las
estaciones de la Generalitat Valenciana. La línea punteada indica el valor límite
horarios de 200 μg.m-3, que no debe superarse en más de 24 ocasiones al año.
Las concentraciones medias diarias más elevadas de PM10 se ubicaron en Pista, Poli y Alma
(Figura 52). Los mayores valores diarios se registraron principalmente durante: el 22 y 23 de
febrero del 2016 en Ben (88.29 μg.m-3), Sagunt (102.46 μg.m-3), Poli (110.33 μg.m-3), Villar
(126.83 μg.m-3), Viver (197.67 μg.m-3) y Raba (163.50 μg.m-3), el 18 y 19 de octubre del 2012 en
Zorita (205.62 μg.m-3) y Elda ( 118.79 μg.m-3), y 20 de marzo del 2010 en la estación Peny (85.58
μg.m-3) y Buniol (97.96 μg.m-3).
Figura 52. Mediciones diarias de PM10 para las estaciones de la Generalitat en el
período de estudio. La línea punteada roja indica el valor límite diario de 50 μg.m-3
Las concentraciones medias diarias mayores para PM2.5 se dieron en Moli (71.46 μg.m-3), Poli
(65.50 μg.m-3) y Buniol (59.08 μg.m-3), las cuales son también las estaciones con mayor amplitud
de rango (Moli: 70.78 μg.m-3, Poli: 64.50 μg.m-3, Buniol: 58.52 μg.m-3) (Figura 53).
Comunidad Valenciana, España
139
Figura 53. Mediciones diarias de PM2.5 para las estaciones de la Generalitat en el
período estudiado. La línea punteada roja indica el valor límite diario de 25 μg.m-3
Estudio del riesgo de los niveles históricos medidos de las estaciones de monitoreo
A continuación, se evalúa el cumplimiento de la normativa de la UE y las recomendaciones de la
OMS.
La UE ha establecido un valor límite anual y otro horario para el NO2 [Directiva 2008/50/CE]. El
valor límite anual establecido por la normativa es de 40 μg.m-3, considerado el valor máximo
compatible con una adecuada protección de la salud. El valor límite horario es de 200 μg.m-3, que
no debe superarse más de 18 veces al año. Ambos valores límite coinciden con los recomendados
por la OMS [Krzyzanowski & Cohen, 2008].
El análisis de las mediciones de NO2 muestra que el límite anual se superó únicamente en la
estación Pista. Los niveles de NO2 en la estación Pista superaron el límite anual reiteradamente:
2008 (41.77 μg.m-3), 2009 (48,05 μg.m-3), 2010 (44,54 μg.m-3), 2013 (44,57 μg.m-3), 2014 (45,52
μg.m-3), 2015 (40,75 μg.m-3) y 2016 (42,46 μg.m-3).
El valor límite medio horario de 200 μg.m-3 se ha superado varias veces para las estaciones dentro
del período, pero en ningún caso más de 18 veces por año (Figura 51). La estación Pla registró 7
mediciones por encima del límite en el mes de diciembre del 2014, alcanzando un máximo de 266
μg.m-3. Ninguna otra estación registró un evento en ese mismo periodo. La estación Alma midió
por una única vez un evento en 2015, y luego 13 mediciones muy elevadas, con un máximo de 239
μg.m-3, durante el invierno de 2017. Hechos aislados ocurrieron también en Quart y Pista durante
2009 y 2016 para el primero y en 2009 para el segundo.
El valor objetivo de O3 para la protección de la salud humana definido por la EU es de 120 μg.m-
3, que no debe superarse en períodos de ocho horas (valor máximo diario de las medias móviles
octohorarias) en más de 25 días al año, computados en períodos trienales. Por su parte, la OMS
recomienda no sobrepasar los 100 μg.m-3 en períodos de ocho horas (límite octohorario). A
diferencia de la normativa de la EU no establece un máximo de ocasiones que puede sobrepasarse
Capítulo 4
140
este valor recomendado durante un año, ni define realizar un promedio trienal del cómputo de
las superaciones.
Para comparar con la normativa, se generaron series de tiempo octohorarias para el O3, aplicando
la media móvil para cada una de las estaciones. Analizando los resultados, se observó que todas
las estaciones superaron en algún momento del periodo analizado el valor objetivo de la EU y el
promedio diario recomendado por la OMS (Figura 50).
La Figura 54 muestra la cantidad de días al año en que se superó el límite octohorario de 120
μg.m-3 de O3 por más de 25 veces al año. 14 estaciones de las 23 estaciones que miden O3 superaron
el límite legal alguna vez en los años estudiados. Las estaciones que más años superaron este
límite fueron las estaciones Villar (8 años), Pobla (7 años) y Zorita (5 años). También, se puede
observar que son menos las estaciones que muestran excedencias desde 2016.
Figura 54. Cantidad de días al año en que las estaciones superaron el límite
octohorario para el O3 de 120 μg.m-3. Para simplificar la lectura del gráfico
solo se muestran los años en que se superó más de 25 veces el límite
establecido.
Respecto al SO2, la normativa de la EU establece un valor límite diario de 125 μg.m-3, el cual no
debe superarse en más de 3 ocasiones al año. Asimismo, establece un valor límite horario de 200
μg.m-3, que no debe superarse en más de 18 ocasiones al año. Por su parte, la OMS fija como valor
guía diario en 20 μg.m-3 y una recomendación de no superar los 500 μg.m-3 en 10 minutos. Estos
valores guías no son acompañados por un número máximo de veces al año que pueden superarse
estas recomendaciones, “puesto que si se respeta el nivel de 24 horas se garantizan unos niveles
medios anuales bajos” [Organización Mundial de la Salud, 2006], de lo que se deduce que no
debería superarse en ninguna ocasión.
Comunidad Valenciana, España
141
Los límites diarios establecidos por la UE para el SO2 no fueron superados en las estaciones
estudiadas. Ningún día se alcanzó una concentración superior a 125 μg.m-3 y los eventos horarios
en los que se superaron los 200 μg.m-3 de SO2 fueron menos de 18 ocasiones al año. Los límites
horarios fueron superados por la estación Alma (2 veces durante el 2009), la estación Grau (una
vez durante el 2015) y por la estación Pobla en distintas ocasiones en los años 2011, 2012, 2013 y
2014.
Considerando los valores recomendados por la OMS, se superó el límite horario en Alcora, Alma,
Pobla, VCid, Viver y Buniol. La estación Alma exhibe el mayor número de excesos a lo largo de los
10 años (Figura 55).
Figura 55. Cantidad de días al año en que las estaciones
superaron el límite horario para el SO2 de 20 μg.m-3
Para el PM10, al igual que con el SO2, existe una gran diferencia entre el valor reglamentado y las
recomendaciones de la OMS. La anterior legislación (Directiva 1999/30/CE y Real Decreto
1073/2002) fijaba dos etapas para alcanzar de forma escalonada los valores de la OMS. La Fase I,
de obligado cumplimiento desde el año 2005, establecía un valor límite anual de 40 μg.m-3 y un
valor límite diario de 50 μg.m-3, que no debía superarse más de 35 días en todo el año. La Fase II
que debía cumplirse a partir del año 2010, establecía un valor límite anual de 20 μg.m-3, y un valor
límite diario también de 50 μg.m-3 pero que no debía superarse más de 7 días al año (la OMS
recomienda no superar en más de 3 ocasiones).
En la proximidad del vencimiento del plazo se renunció a implementar la Fase II de la Directiva
2008/50/CE, quedando como valores límite legales los establecidos en la Fase I,
considerablemente más laxos. Es importante señalar este proceso, puesto que se reconoció la
importancia de los valores recomendados por la OMS para garantizar la salud de la población, si
bien estos niveles resultaron inalcanzables en la práctica.
Al analizar la base de datos se observó que el límite anual de 40 μg.m-3 para PM10 no fue superado
por ninguna estación. Sin embargo, las estaciones Raba, Elda, Alma, Viver, Buniol, Sagunt, Pista,
Poli y Moli han superado los 20 μg.m-3 de PM10 anuales recomendados por la OMS. La estación
Pista supera este límite 9 años consecutivos. Esta estación, junto con Poli, fueron las únicas 2
estaciones que mostraron superar el valor recomendado durante los últimos 3 años de estudio.
Capítulo 4
142
El límite diario legal para PM10 sólo es superado en las estaciones Pista y Alma más de 35 días al
año en 2018 y 2009, respectivamente. En la Figura 56 se observan las estaciones que han
superado ese nivel más de 3 veces al año (cantidad recomendada por la OMS). Como puede verse,
la estación Pista presenta la mayor cantidad de años con excedencias.
Figura 56. Cantidad de días al año en que las estaciones superaron el límite
diario para PM10 de 50 μg.m-3. Para simplificar la lectura del gráfico solo se
muestran los años en que se superó más de 3 veces el límite establecido.
Por su parte, la normativa establece para el PM2.5 un valor límite anual fijado en 25 μg.m-3 para
2015, estando en vigor como valor objetivo desde 2010. A su vez, la Directiva 2008/50/CE
introdujo objetivos adicionales para PM2.5 dirigido a la exposición de la población. Estos objetivos
se establecen a nivel nacional, y se determinan en función de la concentración media anual de
PM2.5 de 3 años promedio sobre las estaciones de monitoreo en aglomeraciones o áreas urbanas
más grandes. Como concentración de exposición obligatoria se establece 20 μg.m-3 desde 2015
(período 2013-2015) y se define una reducción porcentual de 0, 10, 15, 20% por año hasta alcanzar
un nivel de 18 μg.m-3 en 2020.
Las medias móviles anuales mayores de PM2.5 se registraron durante el año 2010 y 2011 en la
estación Alma (22.14 μg.m-3 y 21.20 μg.m-3, respectivamente) y en la estación Moli para los años
2011 y 2012 (19.58 μg.m-3 y 20.46 μg.m-3, respectivamente). Mostrando para el resto de las
estaciones y años, niveles inferiores a 18 μg.m-3.
Comunidad Valenciana, España
143
También con este contaminante los valores recomendados por la OMS se encuentran muy
alejados de los establecidos por la Directiva. La OMS marca que el valor medio anual no debería
sobrepasar los 10 μg.m-3, además recomienda un máximo de 3 superaciones al año del valor
recomendado diario de 25 μg.m-3. Las recomendaciones anuales son superadas por todas las
estaciones estudiadas, con excepción de la estación Zorita. En la Figura 57 se puede observar
claramente que todas las estaciones superan la recomendación diaria de la OMS en más de 3
ocasiones al año. Cabe mencionar la falta de mediciones para el año 2008 en la mayoría de las
estaciones.
Figura 57. Cantidad de días al año en que las estaciones superaron el límite diario para
PM2.5 de 25 μg.m-3. Para simplificar la lectura del gráfico solo se muestran los años en
que se superó más de 3 veces el límite establecido.
Comportamiento anual
Identificar el comportamiento anual de los contaminantes permite predecir la ocurrencia de
eventos extremos. Dado que la concentración de los contaminantes está sujeta a factores naturales
como antrópicos, los comportamientos pueden variar de un sitio a otro. Esto hace fundamental
conocer cada una de las situaciones particulares.
El comportamiento anual esperado para NO y NO2 es un aumento de las concentraciones en los
meses fríos, dado que existe una mayor emisión por el aumento del uso de la calefacción y el
Capítulo 4
144
transporte. Esto puede verse de forma marcada en estaciones ubicadas en zonas urbanas o con
usos múltiples que tienen un alto tránsito vehicular. Por ejemplo, las estaciones Pla, Alma, Ben,
Grau, Quart y Pista presentan una marcada diferencia en sus niveles a lo largo de los meses. Por
otra parte, las estaciones localizadas en zonas agrícolas o en áreas forestales no muestran grandes
diferencias entre las concentraciones de NO en verano e invierno (Figura 58), lo cual puede
atribuirse a los bajos niveles de NO y NO2 que allí se presentan.
Figura 58. Mediciones agregadas mensualmente para el NO. El punto representa la mediana. La caja
representa el rango intercuartil 0.25 - 0.75.
Las variaciones interanuales se ven acentuadas en el comportamiento del NO2. En la Figura 59
se observa claramente que las estaciones con mayor proporción de áreas de bosques y menor
proporción de área urbana muestran menores diferencias entre el primer y cuarto cuartil, como
son las estaciones Pobla, VCid, Beni, SJ, Viver y Villar.
Comunidad Valenciana, España
145
Figura 59. Mediciones agregadas mensualmente para el NO2. El punto representa la mediana. La caja
representa el rango intercuartil 0.25 - 0.75.
Por su parte, el O3 muestra una mayor independencia con las variaciones en el uso de suelo,
presentando el mismo patrón interanual en todas las estaciones de monitoreo (Figura 60). Dado
que es un contaminante secundario, cuya síntesis se ve favorecida por la radiación solar, su
concentración aumenta en los meses de verano y disminuye en los meses de invierno [Bytnerowicz
et al., 2007].
Capítulo 4
146
Figura 60. Mediciones agregadas mensualmente para el O3. El punto representa la mediana. La caja
representa el rango intercuartil 0.25 - 0.75.
A diferencia de las anteriores especies químicas, el SO2 no presenta un comportamiento estacional
(Figura 61). Aunque sobresale la variación interanual que presentan las estaciones Alma, Grau
y Pobla. Estas primeras dos son vecinas, mientras que la tercera, se encuentra emplazada en una
zona seminatural.
Comunidad Valenciana, España
147
Figura 61. Mediciones agregadas mensualmente para el SO2. El punto representa la mediana. La caja
representa el rango intercuartil 0.25 - 0.75.
Los contaminantes PM10 y PM2.5 muestran un comportamiento estacional, con picos en los meses
de verano y valles en invierno. Para el PM10, las estaciones que no muestran un comportamiento
claro estacional son Alma, Pista, Moli y Sagunt, estaciones emplazadas en áreas urbanas o con
uso de suelo mixto. Mientras que las estaciones Zorita, Villar y Caude presentan las crestas más
pronunciadas, indicando un notable aumento en los meses cálidos (Figura 62).
Capítulo 4
148
Figura 62. Mediciones agregadas mensualmente para el PM10. El punto representa la mediana. La caja
representa el rango intercuartil 0.25 - 0.75.
El PM2.5 no muestra grandes variaciones en las estaciones de Raba, Elda, Alcora, Alma, Alba y
Sagunt (Figura 63). Resulta llamativo las diferencias en el rango intercuartil de los niveles de
PM2.5 en la estación Alma, donde se observa una mayor dispersión de las mediciones en los meses
fríos.
Comunidad Valenciana, España
149
Figura 63. Mediciones agregadas mensualmente para el PM2.5. El punto representa la mediana. La caja
representa el rango intercuartil 0.25 - 0.75.
Comportamiento semanal
La influencia de las fuentes antrópicas sobre los niveles de los distintos contaminantes se puede
ver claramente en las gráficas de comportamiento semanal. Las siguientes gráficas representan la
media del conjunto de las concentraciones registradas por cada una de las estaciones a lo largo de
todo el período de estudio. Para los contaminantes fotoquímicos es común ver una oscilación
diaria suave, correspondiente a síntesis o consumo de especies químicas en presencia del sol. Por
su parte, la forma tipo silla junto a un cambio de comportamiento sobre el fin de semana se
presenta cuando hay fuentes antrópicas y las concentraciones dependen de los horarios laborales.
Por ejemplo, con cambios pronunciados en los horarios de entrada y salida del trabajo.
Esto se ve particularmente para NO y NO2, dos contaminantes fuertemente asociados al tránsito
vehicular. Las estaciones Pla, Pista, Quart y en menor grado la estación Alcora, muestran un
máximo de NO pronunciado a comienzos del día y un segundo máximo a final de la tarde. Además,
se observa un cambio en el patrón sobre el fin de semana (Figura 64). Aún mejor se observa en
las gráficas de comportamiento del NO2 (Figura 65).
Capítulo 4
150
Figura 64. Mediciones agregadas horarias para el NO.
Comunidad Valenciana, España
151
Figura 65. Mediciones agregadas horarias para el NO2.
El tiempo de vida medio del NO es más corto que el tiempo de vida del NO2, esto puede llevar a
que los niveles de NO producidos lejos de una estación de monitoreo no lleguen a ser registrados
por la misma, mientras que los niveles de NO2 sí. Analizando la Figura 65 se observa claramente
la falta de tránsito entorno a las estaciones Beni, Pobla, SJ, VCid, Viver, Alba, Caude y Villar,
estaciones con un alto porcentaje de uso destinado al bosque, zonas seminaturales y agricultura.
Capítulo 4
152
Como se ha indicado anteriormente, el O3 junto con el NO y el NO2 troposférico se encuentra en
un estado fotoestacionario en presencia de la luz solar. Durante las horas diurnas, NO, NO2 y O3
típicamente se equilibran en la escala de tiempo de unos pocos minutos, a partir de las reacciones:
NO2 + hv -> NO + O*
O* + O2 + M -> O3 + M
NO + O3 -> NO2 + O2
La concentración de ozono comienza a disminuir durante la mañana, después tiende a aumentar,
alcanza su valor máximo durante las horas de media tarde y luego disminuye al mínimo después
del atardecer.
En ausencia de una fuente de emisión, el ozono muestra un comportamiento oscilatorio
acompañando el ciclo diurno. Este es el caso del comportamiento observado, por ejemplo, en las
estaciones SJ, Caude o Zorita, emplazadas en un área seminatural (Figura 66).
En cambio, cuando existen altas emisiones de NO durante el día, se puede observar un pico
desfasado del ciclo solar, dando un comportamiento en forma de silla con una mayor variación
diaria de los niveles de O3. En la Figura 66 sobresalen los valores mínimos que alcanzan las
estaciones Pla, Pista, Quart y Alcora antes señaladas por presentar máximos de NO2 y NO.
Analizando estas gráficas resulta llamativo que no se monitoree NO y NO2 en las estaciones Poli
y Moli, 2 estaciones ubicadas dentro del entramado urbano, que presentan un comportamiento
de los niveles de O3 indicativo de un marcado efecto del tránsito intenso.
Al analizar el comportamiento del SO2 se observa un comportamiento típicamente antrópico para
las estaciones Alcora, Grau, Quart y Alma (Figura 67). El principal aporte de SO2 a la atmósfera
es antrópico por la quema de hidrocarburos las cuales pueden provenir del tráfico vehicular o la
actividad industrial. Esto es razonable con el hecho que Grau, Alcora y Alma se encuentran en una
zona de producción de cerámicas y Quart en una zona de alto tránsito.
Por otra parte, no se observan grandes excedencias en los niveles en las estaciones de Zorita, Pobla
y VCid que se encuentran en la zona de influencia de la Central Termoeléctrica de Andorra.
PM10 tiene un comportamiento marcado antrópico en las estaciones Alma y Viver con picos
máximos por la tarde y en Pista se observan picos máximos por la mañana (Figura 68). Esto
podría estar relacionado con el flujo de vehículos en horarios claves, como son la salida de
camiones o la entrada al trabajo.
Resulta llamativa la tendencia creciente que se observa para PM2.5 (Figura 69) en las estaciones
Poli, Moli, Villar y Viver ubicadas en áreas fuertemente influenciadas por las emisiones del tráfico
e industrias. Esto puede ser interpretado como una acumulación de PM2.5 en la atmósfera a lo
largo de la semana que desciende el fin de semana cuando las emisiones decaen.
Comunidad Valenciana, España
153
Figura 66. Mediciones agregadas horarias para el O3.
Capítulo 4
154
Figura 67. Mediciones agregadas horarias para el SO2.
Comunidad Valenciana, España
155
Figura 68. Mediciones agregadas horarias para el PM10.
Capítulo 4
156
Figura 69. Mediciones agregadas horarias para el PM2.5.
VIII. Evaluación de la tendencia temporal a largo plazo
A continuación, se detalla la tendencia de los contaminantes en cada una de las estaciones.
El NO presentó tendencia negativa para gran parte de las estaciones (Figura 70): Elda (-0.05
μg.m−3.año), Caude (-0.03 μg.m−3.año), Pla (-0.38 μg.m−3.año), Ben (-0.99 μg.m−3.año), Bur (-
Comunidad Valenciana, España
157
0.26 μg.m−3.año), Elx (-0.16 [-0.239, -0.096] μg.m−3.año), Grau (-0.32 μg.m−3.año), Peny (-0.09
μg.m−3.año), Pista (-0.55 μg.m−3.año), Quart (-0.38 μg.m−3.año), Sagunt (-0.13 μg.m−3.año), SJ (-
0.23 μg.m−3.año), VCid (-0.31 μg.m−3.año).
Figura 70. Gráficas de tendencia porcentual para el NO por estación de monitoreo a lo largo del período
2008-2018. El grado de significancia: + 0.1, * 0.05, ** 0.01, *** 0.001.
10 de las 21 estaciones mostraron una tendencia negativa significativa para el NO2. La Figura 71
muestra las tendencias porcentuales para todas las estaciones. Las tendencias significativas se
presentaron en Ben (-1.3 μg.m-3.año), Caude (-0.32 μg.m-3.año), Pla ( -0.64 μg.m-3.año), Sagunt
(-0.45 μg.m-3.año), VCid (-0.18 μg.m-3.año), Elda (-0.44 μg.m-3.año), Grau (-0.34 μg.m-3.año),
Alcora (-0.64 μg.m-3.año), Bur (-0.38 μg.m-3.año), Quart (-0.58 μg.m-3.año). Sin embargo, la
estación Elx mostró tendencia positiva (0.38 μg.m-3.año).
Capítulo 4
158
Figura 71. Gráficas de tendencia porcentual para el NO2 por estación de monitoreo a lo largo del período
2008-2018. El grado de significancia: + 0.1, * 0.05, ** 0.01, *** 0.001.
El O3 ha demostrado ser un gran problema dentro de la Comunidad Valenciana, por la elevada
cantidad de excedencias respecto a los límites establecidos por la normativa (Figura 72). La
tendencia de este contaminante fue negativa sólo en Raba (-0.80 μg.m−3.año), mientras que 9
estaciones presentaron una tendencia positiva: Elx (0.62 μg.m−3.año), Pla (0.92 μg.m−3.año),
Pobla (0.66 μg.m−3.año), Quart (0.98 μg.m−3.año), Sagunt (1.05 μg.m−3.año), Buniol (0.61
μg.m−3.año), Beni (0.43 μg.m−3.año), Bur (0.43 μg.m−3.año) y Caude (0.27 μg.m−3.año). El resto
de las estaciones no mostraron una tendencia significativa (p > 0.05) dentro del período en
estudio.
Comunidad Valenciana, España
159
Figura 72. Gráficas de tendencia porcentual para el O3 por estación de monitoreo a lo largo del período
2008-2018. El grado de significancia: + 0.1, * 0.05, ** 0.01, *** 0.001.
El SO2 mostró una tendencia negativa en las estaciones Pobla (-0.23 μg.m−3.año), Quart (-0.08
μg.m−3.año), Sagunt (-0.02 μg.m−3.año), VCid (-0.30 μg.m−3.año), Pla (-0.08 μg.m−3.año), Ben ( -
0.07 μg.m−3.año), Villar (-0.003 μg.m−3.año); y positiva para Raba (0.18 μg.m−3.año), Alcora (0.10
μg.m−3.año) y Bur (0.08 μg.m−3.año) (Figura 73).
Capítulo 4
160
Figura 73. Gráficas de tendencia porcentual para el SO2 por estación de monitoreo a lo largo del período
2008-2018. El grado de significancia: + 0.1, * 0.05, ** 0.01, *** 0.001.
En la Figura 74 se pueden ver los resultados para PM10, donde las siguientes estaciones
mostraron tendencia negativa significativa (p< 0.05): Alma ( -2.97 µg.m-3.año), Ben ( -0.87 µg.m-
3.año), Buniol ( -0.77 µg.m-3.año), Caude ( -0.65 µg.m-3.año), Elda ( -0.43 µg.m-3.año), Peny ( -
0.98 µg.m-3.año), Poli ( -1.27 µg.m-3.año), Raba ( -1.36 µg.m-3.año), Sagunt ( -1.82 µg.m-3.año),
Viver ( -0.83 µg.m-3.año) y Zorita ( -0.42 µg.m-3.año). Las estaciones Moli, Villar y Pista no
mostraron una tendencia significativa (p > 0.05).
Comunidad Valenciana, España
161
Figura 74. Gráficas de tendencia porcentual para el PM10 por estación de monitoreo a lo largo del período
2008-2018. El grado de significancia: + 0.1, * 0.05, ** 0.01, *** 0.001.
La tendencia de PM2.5 en el período de tiempo fue mayoritariamente negativa (Figura 75): Alba
( -0.87 µg.m-3.año), Alcora ( -0.85 µg.m-3.año), Alma ( -1.07 µg.m-3.año), Ben ( -0.53 µg.m-3.año),
Buniol ( -0.44 µg.m-3.año), Caude ( -0.49 µg.m-3.año), Elda ( -0.44 µg.m-3.año), Peny ( -0.61 µg.m-
3.año), Poli ( -0.62 µg.m-3.año), Raba ( -0.94 µg.m-3.año), Sagunt ( -0.70 µg.m-3.año), Villar ( -0.27
µg.m-3.año), Viver ( -0.33 µg.m-3.año) y Zorita ( -0.26 µg.m-3.año). Excepto para la estación Moli
cuya tendencia fue de 0.43 µg.m-3.año.
Capítulo 4
162
Figura 75. Gráficas de tendencia porcentual para el PM2.5 por estación de monitoreo a lo largo del período
2008-2018. El grado de significancia: + 0.1, * 0.05, ** 0.01, *** 0.001.
VIII. Análisis del comportamiento espacial del material particulado
El material particulado atmosférico es un contaminante importante en la atmósfera por su efecto
en el clima y en la salud de la población. Como se describió anteriormente, es posible cuantificar
la concentración de aerosoles presentes en la atmósfera mediante el parámetro AOD. Sin
embargo, la relación entre AOD y el material particulado es compleja y se ve afectada por la
distribución vertical de los aerosoles, la eficiencia de la dispersión, la concentración del material
particulado y de las propiedades químicas de los aerosoles [Li et al., 2018].
Obtención y validación de las imágenes satelitales
El producto MCD19A2 provisto por la NASA es una elaboración diaria compuesta de distintas
capturas realizadas por los satélites Terra y Aqua con una resolución espacial de 1 km [Lyasputin
Comunidad Valenciana, España
163
& Wang, 2018]. Para el período comprendido entre el 01 de enero del 2008 y el 31 de julio de 2018
se descargaron un total de 15705 imágenes del producto satelital MCD19A2 provisto por la NASA.
En la Figura 76 se observan las horas de paso de los satélites Aura y Terra sobre la Comunidad
Valenciana. Para evaluar la fuerza de la relación entre AERONET y MODIS se tomaron los valores
dentro de los 30 min en un buffer de 3km, se calcularon los factores de correlación de Pearson,
Kendall y Spearman, los cuales dieron: 0.78 (p-value < 0.001), 0.61 (p-value < 0.001) y 0.81 (p-
value < 0.001), respectivamente. Esto mismo se realizó para un buffer de 7 km de diámetro,
encontrándose que los factores de correlación de Pearson (0.80, p-value < 0.001), Kendall (0.63,
p-value < 0.001) y Spearman (0.83, p-value < 0.001) fueron mejores.
Figura 76. Horas de sobrevuelo de los satélites Aura y Terra sobre Valencia que
componen el producto satelital MCD19A2 (UTC)
Finalmente, se consideró la correspondencia con mediciones realizadas en un intervalo de 15 min
de paso del satélite y con un buffer de 7 km. Los resultados no mostraron mejoras en los factores
de correlación de Pearson (0.80, p-value < 0.001), de Kendall (0.63, p-value < 0.001), de
Spearman (0.83, p-value < 0.001), ofreciendo resultados similares.
El modelo lineal generado fue:
AODAERONET = a + b.AODMODIS
donde a = 0.012 ± 0.003 (p-value< 0.001) y b = 0.85 ± 0.02 (p-value< 0.001), el cual se observa
en la Figura 77. La regresión lineal presentó un R2 ajustado = 0.64. Esta ecuación fue la utilizada
para la validación de las imágenes.
Capítulo 4
164
Figura 77. Regresión lineal entre los datos MODIS y AERONET a 550 nm.
Generación de un modelo
Para la confección de mapas de calidad de aire a partir de imágenes satelitales fue necesario
estudiar la correlación entre las variables satelitales y terrestres, para luego aplicar un modelo
multivariable. Como primer paso se analizó la correlación lineal entre AOD y PM10 y AOD y PM2.5
utilizando las mediciones diarias de AOD provenientes del producto satelital MCD19A2 y las
mediciones en las estaciones de monitoreo terrestres de PM10 y PM2.5 dentro de la hora de cada
paso del satélite. Sin embargo, la pérdida de registros por falta de datos de PM o AOD fue mayor
al 90% (93% para PM2.5 y 94% para PM10) de los días.
Para saldar esta falta de datos en las imágenes satelitales, debido a sombras, nubes u otros tipos
de interferencia que reduzcan la calidad de la estimación de AOD, se rellenaron los pixeles
faltantes mediante una interpolación por el método Ponderado de Distancia Inversa (IDW) con
una distancia de alisamiento de 5 km [Goldberg et al., 2019] (Figura 78). En la validación
cruzada del método de interpolación IDW, se obtuvo un RMSE promedio de 0.009 土 0.006.
Figura 78. a) Imagen de AOD MAIAC e b) interpolación de AOD
con el método IDW para el 1 de enero del 2008
Comunidad Valenciana, España
165
Para relacionar las mediciones satelitales con las medidas terrestres de material particulado se
evaluó la co-linealidad con los valores del pixel de las imágenes de MODIS que coincidía con el
sitio de monitoreo terrestre y con un promedio de los valores de los pixel de las imágenes MODIS
que coincidían con un buffer circular de diámetro igual a la resolución de la imagen satelital (1
km) en las estaciones de monitoreo terrestre.
Sin aplicar el buffer, los factores de correlación de Spearman y Pearson dieron para la relación
entre AOD y PM2.5: 0.41 (p<0.001) y 0.34 (p<0.001), respectivamente. Mientras que para PM10,
fueron inferiores los factores de correlación de Spearman (0.34, p<0.001) y Pearson (0.24,
p<0.001) con un n total de 13948 mediciones.
Utilizando los datos de AOD promedio dentro de un buffer de 1 km entorno a la estación de
monitoreo, los factores de correlación de Spearman y Pearson dieron para AOD-PM2.5,
respectivamente, 0.42 (p<0.001), 0.34 (p<0.001). En este análisis también fueron similares los
factores de correlación de Spearman (0.34, p<0.001) y de Pearson (0.24, p<0.001) para PM10.
Como los factores de correlación fueron similares sin aplicar el buffer sobre las estaciones, se
continuó trabajando con este conjunto de datos en la confección del modelo de PM ya que requiere
menos procesamiento.
Por lo general, la correlación es mayor cuando se analiza de forma individual cada una de las
estaciones. En la Figura 79 se observa el factor de correlación de Pearson y Spearman en cada
sitio de monitoreo de PM10. Llamativamente, las estaciones Raba, Alma y Pista presentaron
factores de correlación extremadamente bajos. Esto puede deberse a una fuerte influencia de las
fuentes locales sobre las mediciones de la estación.
Capítulo 4
166
Figura 79. Correlación entre las mediciones de AOD de MODIS y las mediciones promedio de
PM10 dentro de las horas de paso de órbita del satélite para cada una de las estaciones en todo
el período de estudio (p<0.05)
En la Figura 80 se puede observar el gráfico de correlación entre AOD y PM2.5 por estaciones de
monitoreo. En general, se observa que la correlación es significativa (p < 0.05) y baja para las
mediciones diarias. Donde la mayor correlación se presenta en la estación Zorita (r = 0.49, rho =
0.58) y la menor en la estación Alcora (r = 0.18, rho = 0.27), ambas estaciones con un número
equiparable de mediciones.
Comunidad Valenciana, España
167
Figura 80. Correlación entre las mediciones de AOD de MODIS y las mediciones promedio de
PM2.5 dentro de las horas de paso de órbita del satélite para cada una de las estaciones en todo
el período de estudio (p<0.05)
Por presentar una mejor correlación, se decidió elaborar un mapa de concentración de PM2.5.
Como primer modelo se consideró un modelo de regresión lineal del tipo:
Y = β0 + β1X
donde X representa a el valor de AOD diario en los puntos de monitoreo e Y la concentración de
PM2.5. El modelo obtenido arrojó los parámetros β0 = 3.83 (±0,08, p-value <0.001) y β1 = 42.98
(± 0.7, p-value <0.001), con un factor de determinación muy bajo (R2 = 0.11).
Capítulo 4
168
Figura 81. Gráficos evaluatorios del modelo. a) Residuos del modelo, b) Distancia de Cook,
c) QQ-Plot de los residuos estandarizados.
La Figura 81 muestra la falta de normalidad de los residuos estandarizados. Además de la
inspección visual de los residuos, se evaluó su normalidad con una prueba de Shapiro, mediante
la cual se rechazó la hipótesis nula de normalidad de los residuos (W = 0.84, p-value < 0.001). En
base a esto se procedió a trabajar con un modelo multivariable que pueda explicar mejor la
relación entre estas variables.
En la elaboración del modelo multivariable se trabajó con las variables accesorias detalladas en el
Módulo II, Sección II- XI. Previo al desarrollo del modelo, se analizó la correlación entre las
variables accesorias (Figura 82). Se seleccionaron 19 variables a modelar PM2.5: DEM, CLC_1,
PS, RH, T, U, V, DUSMASS, OCSMASS, SO2SMASS, SO4SMASS, SSSMASS, PBLH, PRECTOT,
SPEED, CLDHGH, CLDLOW, H1000, AOD.
En la Figura 83 se muestra una visualización de las variables para la fecha 01 de enero del 2008,
en la cual se puede observar que los parámetros modelados por MERRA-2 pueden presentar
discontinuidades (ver RH, T, U, V).
Comunidad Valenciana, España
169
Figura 82. Análisis de correlación entre las variables. a) Entre todas las variables, b)
Entre las variables seleccionadas para el modelo. De rojo a azul se indica en factor de
correlación de Pearson. Las cruces indican correlación no significativa.
Capítulo 4
170
Comunidad Valenciana, España
171
Capítulo 4
172
Figura 83. Visualización de las variables incluidas en el modelo multivariable para una fecha determinada.
DEM = Modelo de elevación (m); CLC_1 = proporción de superficie artificial (%); PS = presión en superficie
(hPa); RH = humedad relativa a 1000 hPa (%); T = temperatura del aire a 1000 hPa (K); U = componente
del viento hacia el este (m.s-1); V = componente del viento del norte (m.s-1); DUSMASS = concentración
másica superficial modelada de polvo (kg.m-3); OCSMASS = concentración másica superficial modelada de
carbono orgánico (kg.m-3); SO2SMASS = concentración másica superficial modelada de SO2 (kg.m-3);
SO4SMASS = concentración másica superficial modelada de SO4 (kg.m-3); SSSMASS = concentración másica
superficial modelada de sal marina (kg.m-3); PBLH = altura de la capa límite planetaria (m); PRECTOT =
precipitación superficial total (kg.m-2.s-1); SPEED = velocidad superficial del viento (m.s-1); CLDHGH =
Fracción de área cubierta por nubes altas (%); CLDLOW = Fracción de área cubierta por nubes bajas (%);
H1000 = altura a 1000 hPa (m); aod = densidad óptica de aerosoles.
Como primera prueba de un modelo LUR se realizó una regresión lineal múltiple. Se tomó un set
de entrenamiento con el 80% de los datos (98087 registros) y se utilizó el 20% restante (24520
registros) para calcular el error del modelo. Como resultado se obtuvo un RMSE = 6.98 μg.m-3,
R2 = 0.19 y MAE = 4.60 μg.m-3 para el set de entrenamiento, y un RMSE = 6.98 μg.m-3 y MAE =
4.62 μg.m-3 para el set de prueba. Si bien el RMSE y MAE son aceptables, aún existe una gran
varianza de los datos sin explicar.
Por tanto, se evaluó la técnica regresión de machine learning no paramétrica, Random Forest.
Como parámetros, se utilizaron un total de 1000 árboles de entrenamiento sobre los 98087
registros (80% del set de datos). La verificación del modelo se llevó a cabo utilizando la técnica de
Comunidad Valenciana, España
173
10-fold cross validation y una evaluación de un conjunto de pruebas con el 20% de la información
recopilada.
Al analizar los resultados se vio que las variables DUSMASS, AOD, T fueron las variables más
importantes del modelo (Figura 84). Como se ha señalado con anterioridad, las mediciones de
AOD satelital son un parámetro óptimo para la elaboración de modelos de aerosoles sobre la
superficie terrestre. Por su parte, la variable DUSMASS es la predicción del modelo MERRA de
las concentraciones másicas en la superficie de polvo, y T la temperatura, la cual influye en la
dispersión de los contaminantes. A estas le siguen por importancia las variables SSSMAS, H1000
y PS, la primera corresponde al modelado de las sales marinas, y las otras dos, a variables
relacionadas con la estabilidad atmosférica y la dispersión de los contaminantes en la atmósfera.
Figura 84. Peso de las variables en la construcción del modelo
de PM2.5 superficial para la Comunidad de Valencia
El modelo presentó un muy buen ajuste con un R2 = 0.90, un MAE de 0.8 μg.m-3 y un RMSE de
2.4 μg.m-3 en el ajuste del modelo, y un MAE de 0.7 μg.m-3 y RMSE de 2.4 μg.m-3 para el conjunto
de datos de prueba. Asimismo, las estaciones no incluidas en el modelo debido a su alta tasa de
datos faltantes obtuvieron un ajuste igualmente satisfactorio (RMSE de 5.8 μg.m-3 y MAE de 4.5
μg.m-3). Como un parámetro extra del ajuste del modelo se evaluó el MAPE para los datos de
prueba, obteniendo un ajuste excelente (MAPE = 15%). A su vez, el BIAS del modelo fue bajo
(5.54%) resultando un modelo confiable para realizar estimaciones en el territorio de la
Comunidad Valenciana.
En la Figura 85 se observa un scatterplot del ajuste entre las concentraciones predichas por el
modelo y las mediciones de PM2.5. Estos resultados muestran que la metodología propuesta puede
utilizarse para generar mapas con estimaciones de concentraciones diarias de PM2.5 con una
resolución de 1 km con muy buena precisión (< 6 μg.m-3 para todo el dominio de simulación).
Capítulo 4
174
Figura 85. Scatterplot entre las concentraciones predichas por
el modelo y las mediciones de PM2.5
A partir de este modelo se confeccionaron la serie de mapas diarios para todo el período de
estudio. En la Figura 86 se muestran mapas con las medias anuales de PM2.5 para la Comunidad
Valenciana. Puede observarse que la falta de información en ciertas áreas afecta la cobertura de
toda el área de la Comunidad Valenciana. Se cuenta con períodos de tiempo donde las
irregularidades son menores como 2016 y 2017, y otros años donde fueron mayores (2008, 2009
y 2010). Por esta falta de información, sólo a partir de 2013 se pudo simular las concentraciones
sobre la localidad de Elche. También se observa un marcado escalonamiento, el cual puede ser
producto de la menor resolución que presentaban algunas de las variables incluidas.
Comunidad Valenciana, España
175
Figura 86. Mapa de concentraciones medias anuales de PM2.5 (μg.m-3)
En la Figura 87 se puede ver con mayor detalle las concentraciones medias anuales para el 2017.
Las concentraciones medias anuales mayores se encontraron en Elx 13.68 μg.m-3, Valencia 12.03
μg.m-3, Alcira 11.31 μg.m-3 y en Benidorm 11.37 μg.m-3.
Capítulo 4
176
Figura 87. Mapa de las concentraciones medias anuales de PM2.5 (μg.m-3) para el año
2017. En rojo las estaciones de monitoreo de calidad del aire.
IX. Mapas de riesgo
A partir de los mapas de concentración de PM2.5 se aplicó el índice de calidad de aire para cada
píxel, generando mapas de calidad de aire. En la Figura 88 puede verse la calidad del aire para
la Comunidad de Valencia calculada a partir de las concentraciones medias anuales.
Comunidad Valenciana, España
177
Figura 88. Mapa de calidad de aire para la Comunidad de Valencia
La Figura 89 muestra con mayor detalle de la calidad del aire durante el año 2017 para la
Comunidad Valenciana. Se observa que la calidad del aire en los principales núcleos urbanos es
moderada, sin resultar dañina para la salud.
Figura 89. Mapa de calidad de aire para la Comunidad de Valencia del año 2017
Capítulo 4
178
Conocer el riesgo al cual está expuesta la población es un excelente indicador para diagramar las
políticas públicas de una región. Para evaluar el riesgo a la exposición de PM2.5 se tomó como
métrica el riesgo a padecer cáncer de pulmón por exposición a largo plazo para adultos mayores
de 30 años. En la Figura 90 se muestra la variación del riesgo relativo (RR) a lo largo de los
distintos años incluidos en nuestro estudio. El mayor RR se registró en Xativa (1.63), Onteniente
(1.62), Albaida (1.54), Montaberner (1.61), Valencia (1.56) y Castellón de la Plana (1.58) para el
2008 disminuyendo levemente a lo largo de los años.
Figura 90. Mapa de riesgo relativo para personas mayores de 30 años de padecer cáncer de pulmón por
exposición a largo plazo a PM2.5
Analizando lo sucedido en el 2017, el RR a padecer cáncer de pulmón por motivos de la exposición
a PM2.5 en la ciudad de Valencia se estimó de 1.53, esto es un riesgo del 53% mayor de una
población sin exponer, mientras que en la ciudad de Elche se estimó en 1.59.
Tras esto, se calculó la fracción atribuible de muerte (FAM). Esto es, la fracción de muertes
atribuidas a la exposición de PM2.5 sobre el total de las muertes ocurridas en el área analizada. En
la Figura 91 es visible que la FAM tiene valores máximos en las localidades antes mencionadas
(Xativa, Onteniente, Albaida, Montaberner, Valencia y Castellón de la Plana) durante los
primeros años en estudio.
Comunidad Valenciana, España
179
Figura 91. Mapa de la fracción atribuible de muertes prematuras por cáncer de pulmón por exposición a
largo plazo a PM2.5
En la Figura 92 se puede ver la distribución de la fracción atribuible de muerte durante el 2017.
La FAM por exposición a largo plazo de PM2.5 en Elche es del 37% y en Valencia de 34% sobre el
total de muertes. Es evidente como al alejarse de los grandes conglomerados urbanos la FAM
decae.
Figura 92. Mapa de la fracción atribuible de muertes prematuras por cáncer de pulmón
por exposición a largo plazo a PM2.5 obtenido para el 2017
Capítulo 4
180
III.II. Informe para la Comunidad Valenciana
Aspectos del monitoreo terrestre
• ¿Qué diseño sigue la red de monitoreo?
Una distribución no homogénea, estratificada en las áreas con mayor población de la
Comunidad Valenciana. La mayor densidad de estaciones se presenta en la zona este-
noreste de la Comunidad Valenciana, en las ciudades de Valencia y Castellón. Una
segunda concentración de estaciones se da al sur, en las cercanías de la ciudad de Alicante.
• ¿Cuáles son las técnicas utilizadas para el monitoreo?
Los métodos de referencia que se siguen son:
▪ El método de referencia para la medición de dióxido de azufre es el que se
describe en la Norma UNE-EN 14212:2013 “Aire ambiente. Método normalizado de
medida de la concentración de dióxido de azufre por fluorescencia de ultravioleta”.
▪ El método de referencia para la medición de dióxido de nitrógeno y óxidos de
nitrógeno es el que se describe en la Norma UNE-EN 14211:2013 “Aire ambiente. Método
normalizado de medida de la concentración de dióxido de nitrógeno y monóxido de
nitrógeno por quimioluminiscencia”.
▪ El método de referencia para la toma de muestras y la medición de PM10 y PM2,5
es el que se describe en la Norma UNE-EN 12341:2015 “Aire ambiente. Método de
medición gravimétrico normalizado para la determinación de la concentración másica
PM10 o PM2,5 de la materia particulada en suspensión”.
▪ El método de referencia para la medición de ozono es el que se describe en la
Norma UNE-EN 14625:2013 “Aire ambiente. Método normalizado de medida de la
concentración de ozono por fotometría ultravioleta”.
• ¿Cuál es la calidad de la información recolectada por la red de monitoreo?
Respecto a la calidad de los datos, de las 60 estaciones solo 25 cumplen con los siguientes
criterios: presentar menos del 30% de mediciones diarias con al menos 12 mediciones
horarias, a lo largo de más de 6 años y registrando como mínimo 3 contaminantes.
• ¿Hay redundancia de información entre las estaciones?
Sí. Se observó una redundancia significativa entre las estaciones:
▪ Pla, Elx, Bur, Grau y Quart
▪ Alma y Ben
▪ Poli y Moli
• ¿Cuáles son las características del área de emplazamiento de las estaciones
de monitoreo?
Se observa que hay 3 grupos de estaciones bien diferenciadas:
▪ Superficie artificial (A): Pla, Raba, Grau, Quart, Pista, Poli y Moli
▪ Zonas agrícolas (B): Elx, Alcora, Bur, Viver, Alba, Caude y Villar
▪ Bosques y áreas seminaturales (C): Pobla, VCid y Zorita
Comunidad Valenciana, España
181
Y un grupo de estaciones que responde a un uso de suelo mixto (Beni, Elda, Alma, Ben,
Peny, SJ, Buniol y Sagunt).
• ¿Cómo influyen los vientos locales sobre los niveles registrados en las
estaciones?
Las situaciones de calma dificultan la dispersión de los contaminantes, favoreciendo los
escenarios de mayores concentraciones de los contaminantes. En general, para todas las
estaciones los vientos son más calmos durante el verano y más intensos en el invierno.
Las estaciones con vientos medios más calmos fueron Pista (0.83 m.s-1), Alma (0.93 m.s-
1) y Raba (0.95 m.s-1).
La velocidad máxima de viento máximo para todo el período se registró en la estación
Villar y alcanzó los 24.8 m.s-1, mientras que la velocidad media máxima se registró en la
estación Pobla (4.14 m.s-1). En la tabla de valoración de vientos de Beaufort, estos son
vientos tranquilos, considerados bajo la denominación de ventolinas.
Calidad del aire en los sitios de medición
• ¿Cuáles son los niveles más frecuentes?
Las estaciones que registran los niveles medios diarios más altos de NO2 para todo el
período son Pista (40.51 μg.m-3), Quart (25.94 μg.m-3), Pla (23.10 μg.m-3) y Alma (20.44
μg.m-3), las mismas que para NO (Pista: 25.07 μg.m-3, Alma: 15.16 μg.m-3, Pla: 10.36 μg.m-
3 y Quart: 9.39 μg.m-3). En todas las estaciones se presentaron eventos extremos de NO2,
y en algunos casos, alcanzando concentraciones límites establecidas por la normativa.
Las medias más elevadas de O3 fueron observadas en las estaciones Pobla (84.70 μg.m-3),
Beni (78.91 μg.m-3), VCid (75.21 μg.m-3) y Villar (72.82 μg.m-3). En general, las medidas
de O3 fueron elevadas para todas las estaciones.
La media más baja de SO2 ocurrió en la estación Alba (2.41 μg.m-3) mientras que la media
máxima fue en Alma (6.33 μg.m-3), presentando un rango muy pequeño de variación entre
las estaciones. Este contaminante presentó eventos extremos por encima de los 200 μg.m-
3 en las estaciones Alma, Grau y Pobla, estaciones ubicadas en zonas con actividad
industriales.
Las medias diarias más elevadas de PM10 se ubicaron en Pista (24.59 μg.m-3), Poli (18.35
μg.m-3) y Alma (17.18 μg.m-3). Mientras que, las estaciones Viver (0.39 μg.m-3), Peny (0.39
μg.m-3) y Buniol (0.56 μg.m-3) presentaron las medias diarias menores, situándose
muchas mediciones por debajo del límite de detección del equipo.
Las medias diarias más elevadas para PM2.5 corresponden a las estaciones Moli (13.30
μg.m-3), Poli (11.74 μg.m-3) y Elda (10.04 μg.m-3), mientras que las concentraciones
medias diarias menores se dieron en Ben (7.26 μg.m-3), Zorita (7.66 μg.m-3) y Raba (7.76
μg.m-3).
• ¿La concentración de los contaminantes excede los límites legales?
▪ NO2: la estación Pista fue la única estación que superó el límite anual
reiteradamente (2009, 2010, 2013, 2014, 2015, 2016). Para este contaminante, el valor
Capítulo 4
182
límite horario se ha superado varias veces, pero en ningún caso más de las 18 veces por
año recomendadas.
▪ O3: todas las estaciones superaron en algún momento del período analizado el
promedio diario recomendado por la OMS, pero solo 14 de las 23 estaciones superaron el
límite legal alguna vez en el período estudiado.
▪ SO2: los límites diarios no fueron superados y los límites horarios no fueron
superados en ninguna estación por más de 18 veces en el año.
▪ PM10: el límite anual establecido por la UE no fue superado en ninguna ocasión.
El límite horario se superó solo en las estaciones Pista y Alma para los años 2018 y 2009
respectivamente.
▪ PM2.5. Se observan pocos casos de superación del límite legal. En la estación Alma
durante 2010 y 2011, y en la estación Moli durante 2011 y 2012
• ¿La concentración pone en riesgo a la población?
▪ NO2: solo en la estación Pista.
▪ O3: en todas las estaciones se supera lo recomendado por la OMS.
▪ SO2: El límite horario recomendado por la OMS se superó en Alcora, Alma,
Pobla y Viver. En la estación Alma los excesos se repiten a lo largo de todo el período.
▪ PM10: Distintas estaciones han superado el valor recomendado por la OMS para
la protección de la salud tanto anual como diario. En particular, la estación Pista superó
estas recomendaciones varios años consecutivos.
▪ PM2.5: Todas las estaciones superan los niveles anuales recomendados por la
OMS, con excepción de la estación Zorita. Las recomendaciones diarias son superadas
por todas las estaciones.
Evolución temporal de los contaminantes
• ¿A cuál hora del día es mayor la concentración de los contaminantes?
Para el NO y NO2 se observan picos en Pla, Alcora y Pista sobre las primeras horas del día,
mientras que para Alma y Grau se observaron picos en las primeras horas de la tarde. El
O3 alcanzó en todas las estaciones valores máximos al medio día. El mismo
comportamiento se observó con las mediciones de SO2, en particular para las estaciones
Alcora, Alma, Grau, Zorita, Quart y Poli. Respecto a PM10, en Pista, Villar y Raba se
observaron máximos en la mañana, mientras que para Viver, Buniol, Poli y Moli los
máximos fueron por la tarde. En el caso de PM2.5, se observaron niveles máximos cercanos
a la media noche.
• ¿Las concentraciones máximas varían a lo largo de la semana?
Los contaminantes asociados con el uso de combustible (NO, NO2, SO2 y PM10) mostraron
máximas concentraciones durante los días laborales, descendiendo sus niveles para los
fines de semana. El O3 mostró valores máximos los fines de semana, lo cual puede
explicarse por el equilibrio dinámico que mantiene con los NOx. Finalmente, se observó
una acumulación de PM2.5 a lo largo de la semana, siendo el viernes el día con mayores
concentraciones.
• ¿En cuál época del año ocurren los episodios de máximas concentraciones?
Comunidad Valenciana, España
183
▪ Para el NO y NO2 se observa un aumento de las concentraciones en los meses fríos
(noviembre, diciembre, enero). Esto se ve mayoritariamente en la estación Pista.
▪ Por el contrario, el O3 tiene su máximo en los meses cálidos con es mayor la
radiación solar.
▪ Las concentraciones de SO2 son mayores en los meses fríos, probablemente
debido a una mayor emisión de este contaminante.
▪ La estacionalidad no es muy visible para PM10 y PM2.5 pero existe una tendencia
a presentarse mayores concentraciones en los meses cálidos.
• ¿Cómo han cambiado los niveles de los contaminantes con los años?
Mientras las concentraciones de NO decrecieron para gran parte de las estaciones, solo
10 de las 21 estaciones mostraron una tendencia negativa para el NO2. Para el O3 la
tendencia fue negativa solo en Raba, mientras que en 9 estaciones fue positiva. La
tendencia del SO2 fue negativa en 7 estaciones y positiva en 3 (Raba, Alcora y Bur). Para
PM10 y PM2.5 la tendencia fue mayoritariamente decreciente. Reviste especial interés la
estación Moli que presentó una tendencia en aumento de las concentraciones de PM2.5 y
donde no se monitorea NOx.
Distribución espacial de PM2.5
• ¿Dónde ocurren las máximas concentraciones de PM2.5?
En función de los mapas de concentración de PM2.5 elaborados, las concentraciones
medias anuales mayores durante el 2017 se encuentran en Elche 13.68 μg.m-3, Valencia
12.03 μg.m-3, Alcira 11.31 μg.m-3 y en Benidorm 11.37 μg.m-3.
• ¿Se observa un patrón espacial de las máximas concentraciones?
Las máximas concentraciones se observaron en los núcleos urbanos de Castellón de la
Plana, Valencia, Alcira, Elche y Alicante.
• ¿Cómo es la calidad del aire donde no se mide?
En particular, resultan llamativos los niveles modelados para Elche los cuales son muy
elevados (en 2017 una media anual de 13.68 μg.m-3).
• ¿La calidad del aire representa un riesgo para la población?
La calidad del aire para la Comunidad Valenciana es buena en zonas poco pobladas, y
moderada sin resultar dañina para la población en las zonas urbanas. La calidad del aire
mejora al alejarnos de los núcleos urbanos principales.
Caso de aplicación II
Ciudad de Buenos Aires,
Argentina
Capítulo 5
186
Introducción
Como segundo caso para la aplicación de la propuesta se eligió la Ciudad Autónoma de Buenos
Aires, capital nacional de la República Argentina. Esta elección se debe a la importancia política,
social, cultural, histórica y económica que tiene esta ciudad para Argentina.
Argentina presenta pocos estudios sobre la calidad del aire [Lijteroff et al., 1999; Mazzeo et al.,
2005; Colman Lerner et al., 2014b]. En el mayor de los casos, las mediciones con las que se cuenta
pertenecen a campañas científicas las cuales fueron pensadas para estudiar eventos particulares
[García Ferreyra, 2013; Puliafito et al., 2010].
Estos trabajos de investigación han abordado cuestiones diversas a lo largo del país, como la
evaluación del impacto de fuentes específicas a escala local [Olcese & Toselli, 1997; Tombesi et al.,
2014; Puliafito et al., 2010; Wichmann et al., 2009; Massolo et al., 2010; Colman Lerner et al..,
2014a]; caracterización de la composición de aerosoles [Sosa et al., 2017; Achad et al., 2014; López
et al., 2011; Vasconcellos et al., 2011; Giuliani et al., 2018]; estimación de inventarios de emisiones
[Puliafito et al., 2015; Mazzeo et al., 2005; D'Angiola et al., 2010; Allende et al., 2012];
implementación de modelos de transporte de contaminantes [Abril et al., 2016; Venegas y
Mazzeo, 2006; Allende et al., 2012; García Ferreyra, 2016]; desarrollo de estudios de biovigilancia
[Carreras & Pignata, 2002; Rodríguez et al., 2011; Estrabou et al., 2011] e identificación de fuentes
mediante modelos receptores [Puliafito et al., 2011]. Sin embargo, no proporcionan una imagen
de conjunto que permita evaluar la calidad del aire en el país.
Como caso excepcional en el país, Buenos Aires es la única ciudad con un monitoreo de calidad
del aire sostenido a lo largo de los años. La Agencia de Protección Ambiental (APrA) del Gobierno
de la Ciudad de Buenos Aires evalúa la calidad del aire desde 2009, mediante una red de
monitoreo compuesta por tres estaciones y que informan las concentraciones de NO2, CO y PM10
con una frecuencia horaria.
Buenos Aires es la ciudad más importante del país. Alberga casi 3 millones de habitantes de forma
permanente [INDEC, 2010], a ello deben adicionarse 1 millón de trabajadores del Gran Buenos
Aires que ingresan diariamente a CABA [Ciudad de Buenos Aires, 2019]. La economía de la ciudad
de Buenos Aires está basada principalmente en el sector servicios (65% de las empresas), siendo
los principales rubros el comercio, los servicios inmobiliarios y los servicios financieros [CAC,
2011]. Sin embargo, también cuenta con industrias farmacéuticas y de fabricación de coque,
productos de la refinación de petróleo, combustible nuclear y la fabricación de productos
elaborados de metal [Ciudad de Buenos Aires, 2014].
Alrededor de 1.6 millones de vehículos circulan diariamente en la ciudad, creciendo de forma
sostenida en el área metropolitana [AFAC, 2018]. Según el inventario presentado por [D'Angiola
et al., 2010], las emisiones del tráfico son responsables del 72% de las emisiones totales de
partículas inhalables, seguidas de las de las centrales eléctricas, que representan el 18% [Resquin
et al., 2018].
Finalmente, podemos señalar algunos trabajos que describen efectos en la salud debido a la
exposición de contaminantes atmosféricos [Orona et al., 2016; Abrutzky et al., 2012], poniendo
en evidencia el peligro potencial que la calidad del aire presenta para los habitantes de la ciudad.
Buenos Aires, Argentina
187
En base a lo antes mencionado, nos interesa poner a prueba la metodología desarrollada con el
fin de realizar un análisis exhaustivo de la información recolectada en la ciudad, y generar nueva
información que sea de utilidad para el público.
Capítulo 5
188
Aplicación de la metodología
Módulo I - Etapa de diseño del análisis
I. Definición y caracterización del área de estudio
La ciudad de Buenos Aires, capital de Argentina, está ubicada a 34.61°S, 58.37°O, en la ribera
oeste del Río de la Plata (Figura 93). Se trata de un estuario de llanura costera poco profundo y
de gran escala que cubre una superficie aproximada de 35000 km2 [Licursi et al., 2006]. Todo el
terreno es llano, con pequeñas diferencias de altura de menos de 30 m.
Figura 93. Mapa de la Ciudad de Buenos Aires (CABA) y el Área Metropolitana de Buenos Aires
Buenos Aires, Argentina
189
La región presenta un clima subtropical, donde la Cordillera de los Andes ejerce una influencia
importante en el clima regional. Ubicada a 900 km de la capital, con una altura promedio de más
de 4000 m, impide el paso de la humedad del Océano Pacífico hacia Argentina desde el sector
oeste [Barros et al., 2015].
Los vientos derivan predominantemente del N y del NE [Barros et al., 2006; Resquin et al., 2018],
como resultado de la influencia de los sistemas semipermanentes, incluyendo el sistema de alta
presión del Atlántico Sur (SAS), que trae aire húmedo y a veces caliente del E y del N y eventos
sinópticos y de mesoescala tales como frentes y tormentas convectivas [Garreaud y Falvey, 2008],
provocando una marcada variación climatológica estacional [Barros et al., 2015].
La Ciudad de Buenos Aires está inmersa en un área urbana continua, conocida como el Área
Metropolitana de Buenos Aires. Con una densidad de población de 3600 habitantes por km2, es
la zona más poblada del país [INDEC, 2010], la décima megalópolis del mundo y la tercera de
América Latina. Arkouli et al. [2010] han señalado que las principales fuentes de contaminación
atmosférica en la ciudad de Buenos Aires son el tráfico y el centro industrial que incluye centrales
termoeléctricas al sureste de la ciudad.
Una buena ventilación y dilución de los contaminantes han sido frecuentemente asociados con la
planicie del terreno de la ciudad, su ubicación costera y los vientos moderados medios
superficiales provenientes del Río de la Plata [Arkouli et al., 2010].
Contexto jurídico-normativo
En primer lugar, la República Argentina cuenta con la Constitución Nacional, máximo
instrumento legal de la Nación. En su Art. 41 se establece el “derecho a un ambiente sano,
equilibrado, apto para el desarrollo humano y para que las actividades productivas satisfagan las
necesidades presentes sin comprometer las de las generaciones futuras; y tienen el deber de
preservarlo”. En el tercer párrafo se introduce un concepto novedoso al marco de la distribución
de competencias Nación-Provincias. Se lee: “Corresponde a la Nación dictar las normas que
contengan los presupuestos mínimos de protección, y a las provincias, las necesarias para
complementarlas, sin que aquéllas alteren las jurisdicciones locales”.
En base a esto, la Ley Nacional N° 25.675 conocida como la “Ley General del Ambiente” establece
el ambiente como un bien jurídicamente protegido. En su primer artículo, establece su finalidad,
el cual es establecer “los presupuestos mínimos para el logro de una gestión sustentable y
adecuada del ambiente, la preservación y protección de la diversidad biológica y la
implementación del desarrollo sustentable”.
Cabe resaltar que la competencia ambiental es preeminentemente local, dado el Art. 124 de la
Constitución Nacional que explicita el dominio de las provincias sobre sus recursos naturales. Sin
embargo, los presupuestos mínimos de protección ambiental implican una delegación de ciertas
facultades de las provincias a la Nación, como son controlar el impacto ambiental de todas las
actividades que perjudiquen al ecosistema, promover acciones que eviten la contaminación del
aire, garantizar el derecho a solicitar y recibir la adecuada información y participar en la defensa
del ambiente, de los recursos naturales y culturales, entre otras.
Por su parte, la Ciudad de Buenos Aires se constituye como ciudad autónoma, tal como fue
incorporada en la Constitucional Nacional en su Art. 129. Por esto, CABA presenta su propia ley
Capítulo 5
190
regulatoria en materia de preservación del recurso aire y la prevención y control de la
contaminación atmosférica, la Ley 1356/04.
Entre otras cuestiones, la Ley 1356/04 establece los estándares de calidad del aire (Tabla 18) y
crea un programa de monitoreo permanente de contaminantes atmosféricos. En base a esto, se
implementa para la Ciudad de Buenos Aires una red de monitoreo de la calidad del aire.
Tabla 18. Estándares de calidad de aire ambiente para la Ciudad de Buenos Aires
Contaminante
Concentración Período
mg.m-3 ppm
SO2 0.08 0.03 Media aritmética anual
0.365 0.14 Promedio 24 horas
PM10 0.050 - Media aritmética anual
0.15 - Promedio 24 horas
PM2.5 0.015 - Media aritmética anual
0.065 - Promedio 24 horas
CO 10 - Promedio 8 horas
40 - Promedio 1 hora
O3 0.157 0.08 Promedio 8 horas
0.235 0.12 Promedio 1 hora
NO2 0.100 0.053 Media aritmética anual
I.II. Determinación de los objetivos
Para la Ciudad de Buenos Aires existe una acotada provisión de información que limita los tipos
de análisis que se pueden realizar.
Para este trabajo se toman como objetivos:
• Caracterizar aspectos del monitoreo terrestre
Descripción general de las estaciones. Calidad de los datos. Características del sitio de
emplazamiento. Estudiar las direcciones de viento que contribuyen con mayores concentraciones
de los contaminantes
• Determinar la calidad del aire en los sitios de medición
Evaluar si las concentraciones respetan las recomendaciones de la OMS y si se encuentran dentro
de los parámetros fijados por ley.
• Conocer la evolución temporal de los contaminantes
Buenos Aires, Argentina
191
Calcular la tendencia de las concentraciones a largo plazo. Estudiar la tendencia en función de las
direcciones del viento. Evaluar la presencia de eventos extremos en el período estudiado. Analizar
el comportamiento diario, semanal e interanual de los contaminantes.
• Evaluar la distribución espacial de los contaminantes
Comparar las concentraciones medidas entre las estaciones. Confeccionar mapas de PM10
mediante información satelital. Analizar el comportamiento espacial de PM10.
I.III. Delimitación de las preguntas de estudio
A continuación, se detallan las preguntas que se pueden responder a partir de la información
existente a la fecha:
Caracterizar aspectos del monitoreo terrestre
¿Cuál es la calidad de la información recolectada por la red de monitoreo?
¿Hay redundancia de información entre las estaciones de monitoreo?
¿Cuáles son las características del área de emplazamiento de las estaciones de monitoreo?
¿Cómo influyen los vientos locales sobre los niveles registrados en las estaciones?
¿De qué sector del viento llegan las concentraciones mayores?
Determinar la calidad del aire en los sitios de medición
¿Cuáles son los niveles más frecuentes?
¿La concentración de los contaminantes excede los límites legales?
¿La concentración registrada de los contaminantes pone en riesgo a la población?
Conocer la evolución temporal de los contaminantes
¿A cuál hora del día es mayor la concentración de los contaminantes?
¿Las concentraciones máximas varían a lo largo de la semana?
¿Durante cuál época del año ocurren los episodios de máximas concentraciones?
¿Los contaminantes presentan un comportamiento asociado?
¿Cómo han cambiado los niveles de los contaminantes con los años?
Evaluar la distribución espacial de los contaminantes
¿Dónde ocurren las máximas concentraciones?
¿Las máximas concentraciones ocurren en diferentes sitios a distintos tiempos?
¿Cómo es la calidad del aire donde no se mide?
I.IV. Adquisición de los datos
Estaciones de monitoreo terrestre
Los datos de calidad del aire fueron descargados del sitio oficial del gobierno de la Ciudad de
Buenos Aires (CABA) a través del sitio web (https://data.buenosaires.gob.ar/, visitado por última
vez en marzo de 2018). Los datos horarios comunicados por Agencia de Protección Ambiental
(APrA) para la concentración de CO corresponden a la media móvil de las 8 horas anteriores; para
NO2, los 60 minutos anteriores, y para PM10 las 24 horas anteriores. El período analizado se
definió desde el 1 de octubre del 2009 (comienzo del monitoreo continuo) hasta el 1 de octubre
del 2017 (fecha de descarga y procesamiento de los datos).
Capítulo 5
192
La red de monitoreo de la calidad del aire está compuesta por tres estaciones tipo EPA (Figura
94), que proporcionan datos horarios de NO2, CO y PM10. Las técnicas de análisis utilizadas son:
quimioluminiscencia en fase gaseosa para NO2, fotometría infrarroja no dispersiva para CO y
monitorización de atenuación beta para PM10.
Figura 94. Mapa de Ciudad Autónoma de Buenos Aires con los sitios de medición de calidad de aire
(puntos rojos), la estación meteorológica (rombo naranja) y estación de AERONET CEILAP
(pentágono verde). Mapa base: Imagen Sentinel-2, RGB (4, 3, 2).
AERONET
La estación AERONET más cercana se encuentra en CEILAP, a unos 15 km al norte del centro de
la ciudad de Buenos Aires (34.56º S, 58.51º W). Los datos se descargaron del sitio oficial de
AERONET (https://aeronet.gsfc.nasa.gov) con Nivel 2.0 (datos sin nubes, calibrados e
inspeccionados manualmente).
Datos meteorológicos
La información meteorológica que registran las estaciones de monitoreo no se encontraba
disponible debido a problemas de calibración de los sensores [comunicación personal APrA]. Por
tanto, se recurrió a los datos meteorológicos de superficie por hora para la velocidad y dirección
del viento provistos por el Servicio Meteorológico Nacional [SMN, 2017]. El conjunto de datos
SMN proviene de la estación del Observatorio de Buenos Aires (34.58° S, 58.50° W) que es la
estación meteorológica más cercana, ubicada a unos 7, 10 y 13 km de las estaciones de monitoreo
de la calidad del aire (Figura 94).
Datos modelados de atmósfera
Los datos de las condiciones de la atmósfera y contaminantes modelados se descargaron del sitio
web de MERRA-2 (https://disc.gsfc.nasa.gov/daac-bin/FTPSubset2.pl). El MERRA-2 es un
reanálisis atmosférico utilizando el GEOS-5 con su ADAS, versión 5.12.4, a una resolución
espacial de 0.5° x 0.625° [Gelaro et al., 2017]. Los datos brindan un análisis climático histórico
para una amplia gama de escalas de tiempo [Dee et al., 2011]. Como estos datos se utilizaron para
Buenos Aires, Argentina
193
los modelos multivariantes, se descargaron los sets de datos de las horas más cercanas al
momento del paso del satélite.
Los productos de MERRA-2 presenta simulaciones de cinco especies de PM2.5 (carbono negro,
carbono orgánico, sal marina, polvo, sulfato) basándose en el modelo de aerosol GOCART (del
inglés, Goddard Chemistry Aerosol Radiation and Transport) [Chin, 2005]. El producto del
modelo se llama tavg1_2d_aer_Nx. Las variables seleccionadas fueron las concentraciones
másicas de sulfuro de dimetilo, polvo, carbón orgánico, sal marina, sulfatos y dióxido de azufre,
para el intervalo de tiempo de 13.30 - 16.30 UTC.
También se trabajó con los modelos de MERRA-2 de la altura de la capa límite, flujo total de
precipitación superficial, velocidad de viento y velocidad máxima de viento sobre la superficie
(producto tavg1_2d_flx_Nx para el intervalo 10.30 - 13.30 UTC). Se incorporaron las variables
radiométricas como porcentaje del albedo y fracción de área de nube para nubes altas y bajas del
producto tavg1_2d_rad_Nx para el intervalo 10.30 - 13.30 UTC); y datos de superficie como
presión de superficie, humedad relativa, componentes del viento (u,v), temperatura del aire
(inst3_3d_asm_Np para el intervalo horario 12.00 - 15.00 UTC).
Imágenes satelitales utilizadas
El producto de datos MCD19A2 Versión 6 es un producto combinado de MODIS Terra y Aqua con
la implementación del algoritmo Multi-angle Implementation of Atmospheric Correction
(MAIAC) Land Aerosol Optical Depth (AOD) en cuadrícula de Nivel 2 producido diariamente con
una resolución de 1 km de píxel. El producto de datos MCD19A2 se descargó del sitio oficial de
LAADS https://ladsweb.modaps.eosdis.nasa.gov/ en formato TIFF como un mosaico para todo
el Área Metropolitana de Buenos Aires, tomando un polígono de coordenadas (59º S, 34.3º W,
57.8º S, 35º W).
Capítulo 5
194
Módulo II - Etapa de procesamiento
Para el análisis de los datos se utilizaron algunas de las herramientas descritas en el Capítulo 3
“Propuesta metodológica para el estudio de la calidad del aire”. La inclusión de las mismas se
realizó en función de los datos disponibles para la Ciudad de Buenos Aires.
I. Preparación de los datos
La preparación de los datos requirió la adecuación del formato de fecha, la verificación de las
series de tiempo y la generación de series de tiempo agregadas en medias diarias, mensuales y
anuales. Se mantuvieron las unidades de concentración reportadas por APrA, las cuales fueron
μg.m-3 para PM10, ppm para CO, y ppb para NO2.
II. Selección de algoritmos para el análisis
Como primer paso, se realizó un análisis de la calidad de los datos evaluando la continuidad
temporal de las mediciones. Como indicador se trabajó con el porcentaje de datos faltantes a lo
largo del período de estudio. Se utilizaron visualizaciones gráficas para facilitar la evaluación de
este parámetro.
Para conocer el grado de redundancia entre las mediciones se utilizó el factor de correlación de
Pearson y se aplicó un análisis de conglomerados jerárquicos entre los coeficientes de correlación
de las estaciones. Los resultados fueron expuestos mediante un dendograma.
El análisis del área de influencia se realizó en base a la información obtenida por un análisis visual
del área aledaña a las estaciones de monitoreo. Para comprender la dinámica de los vientos, se
analizaron las frecuencias de los vientos para el área de estudio a nivel diario y estacional
mediante la elaboración de rosas de vientos.
Buenos Aires, Argentina
195
El análisis estadístico descriptivo de las mediciones de la calidad del aire se realizó con los datos
horarios. La visualización de las series de tiempo permitió la detección de eventos particulares en
los que las concentraciones de contaminantes alcanzaron valores extremadamente altos. Estos
eventos atípicos fueron contextualizados, en la medida de lo posible, con la bibliografía relevada.
Para evaluar la variación interanual, se calcularon las tendencias de las concentraciones mediante
un método no paramétrico basado en la pendiente de Mann-Kendall con el método de Theil-Sen
[Masiol et al., 2017]. El intervalo de confianza para la estimación de la pendiente se obtuvo con
un 95% de significancia.
Para la elaboración de mapas de contaminación atmosférica se realizó un modelo de regresión
multivariable para el período comprendido entre 2009-10-01 y 2017-10-01. En la Figura 95 se
puede ver un resumen de la metodología llevada adelante.
Figura 95. Resumen de la metodología desarrollada para confeccionar mapas de PM10
El producto satelital utilizado fue MCD19A2 de MODIS que tiene una resolución espacial de 1 km.
Se descargaron un total de 12055 imágenes para un mosaico que comprende la Ciudad de Buenos
Aires y el área metropolitana hasta la ciudad de La Plata. Los productos se descargaron en formato
TIFF con un sistema de referencia WGS84.
Para garantizar la máxima calidad en las medidas de AOD se aplicó como máscara la capa SDS de
AOD AQ. Esta capa se encuentra codificada como un número binario de 16 bits. Su utilización
requirió la recodificación de la capa como una capa booleana.
Para la calibración de AOD determinado a 550 nm se utilizaron los datos provistos por la red
AERONET recolectados en la estación CEILAP. La calibración se realizó mediante una
Capítulo 5
196
interpolación cuadrática de las mediciones de AOD utilizando las longitudes de onda 440, 500 y
675 nm.
Una vez obtenido el conjunto de todas las imágenes calibradas y recortadas para el área de interés,
se procedió a completar los valores faltantes. Solo las imágenes con menos de un 30% de datos
faltantes fueron completadas. El método empleado para la interpolación espacial fue el IDW.
Las variables incorporadas del modelo multivariante pueden verse en la Tabla 19, de las cuales
una gran parte de estas son parámetros aportados por el modelo de revisión MERRA-2. En todos
los casos donde fue necesario, la información de entrada se recortó al área de análisis y se adaptó
a la grilla de MAIAC de dimensiones 120 filas por 168 columnas con una resolución de 0.008º,
mediante un remuestreo utilizando el método de interpolación del vecino más cercano.
Tabla 19. Lista completa de variables accesorias analizadas para modelar PM10.
Código Variable Unidades Resolución
espacial Resolución temporal
AOD AOD - 1km x 1km Diaria
BCSMASS Concentración másica superficial de carbono negro
kg.m-3 0.5° x 0.625° 3 horas
DMSSMASS Concentración másica superficial de sulfuro de dimetilo
kg.m-3 0.5° x 0.625° 3 horas
DUSMASS Concentración másica superficial de polvo kg.m-3 0.5° x 0.625° 3 horas
DUSMASS25 Concentración másica superficial de polvo de tamaño PM2.5
kg.m-3 0.5° x 0.625° 3 horas
OCSMASS Concentración másica superficial de carbono orgánico
kg.m-3 0.5° x 0.625° 3 horas
SO2SMASS Concentración másica superficial de SO2 kg.m-3 0.5° x 0.625° 3 horas
SO4SMASS Concentración másica superficial de SO4 kg.m-3 0.5° x 0.625° 3 horas
SSSMASS Concentración másica superficial de sal marina
kg.m-3 0.5° x 0.625° 3 horas
SSSMASS25 Concentración másica superficial de sal marina tamaño PM2.5
kg.m-3 0.5° x 0.625° 3 horas
PBLH Altura de la capa límite planetaria m 0.125° x 0.125° 3 horas
PRECTOT Precipitación superficial total kg.m-2.s-1 0.125° x 0.125° 3 horas
SPEED Velocidad superficial del viento m.s-1 0.125° x 0.125° 3 horas
SPEEDMAX Velocidad superficial máxima del viento m.s-1 0.125° x 0.125° 3 horas
USTAR Escala de velocidad de superficie m.s-1 0.125° x 0.125°° 3 horas
H1000 Altura a 1000 hPa m 0.125° x 0.125° 1 hora
Buenos Aires, Argentina
197
ALBEDO Surface albedo % 0.125° x 0.125° 6 horas
CLDHGH Fracción de área cubierta por nubes bajas % 0.125° x 0.125° 3 horas
CLDLOW Fracción de área cubierta por nubes altas % 0.125° x 0.125° 3 horas
PS Presión en superficie hPa 0.125° x 0.125° 3 horas
T Temperatura del aire a 1000 hPa K 0.125° x 0.125° 3 horas
RH Humedad relativa a 1000 hPa % 0.125° x 0.125° 3 horas
U Componente de viento hacia el este m.s-1 0.125° x 0.125° 3 horas
V Componente de viento hacia el norte m.s-1 0.125° x 0.125° 3 horas
Previo a ser incluidas en el modelo, se hizo un análisis de correlación para evitar la generación de
resultados espurios por información redundante. Esto permitió descartar un amplio porcentaje
de las variables consideradas inicialmente.
Se evaluó la correlación entre AOD y PM10 y se confeccionó un modelo lineal. En base a los
resultados, se evaluó el ajuste de un modelo lineal multivariable y, finalmente, se generó un
modelo Random Forest. El grado de ajuste se comparó utilizando R2, RMSE y MAE con un set de
datos de prueba (20% de los datos totales).
Luego de obtenidos los mapas de PM10, se realizó un análisis del comportamiento espacial. Para
esto, se confeccionaron mapas de medias anuales y mapas de medias anuales promedio para cada
comuna de la ciudad y se compararon los niveles modelados para cada área.
Como último paso, se generaron mapas de riesgo relativo y de factor atribuible de muerte (FAM)
por exposición a PM10. El riesgo relativo se calculó como:
𝑅𝑅 = 𝑒𝛽 (𝑋− 𝑋0)
donde β = 0.0008 para todas las causas de muerte para todas las edades y x0 = 10 μg.m-3 de PM10
y la FAM como:
𝐹𝐴𝑀 = (𝑅𝑅 − 1)
𝑅𝑅
Todas las elaboraciones estadísticas de este estudio se realizaron utilizando el lenguaje de
programación R [R Core Team, 2017], trabajando principalmente con los paquetes open-air
[Carslaw y Ropkins, 2012], dplyr [Wickham, 2019], ggplot2 [Wickham, 2009], raster [Hijmans,
2019], lubridate [Grolemund & Wickham 2011], dplyr [Wickham et al., 2019], foreign [ R Core
Team, 2018], reshape2 [Wickham, 2007], corrplot [Wei & Simko, 2017], colorRamps [Keitt,
2012], rgdal [ Bivand et al., 2019]. Se utilizó el paquete RandomForest [Liaw y Wiener, 2002]
para el entrenamiento y estimación de RF, y el paquete caret [Kuhn, 2019] para la elaboración de
los sets de entrenamiento y de prueba. Para los procesos intensivos de cálculo se utilizó el paquete
Capítulo 5
198
parallel que permite realizar cálculos en paralelo aprovechando los recursos informáticos
multinúcleo [R Core Team, 2018b].
Buenos Aires, Argentina
199
Módulo III - Etapa de comunicación de los resultados
III.I. Resultados
I. Continuidad temporal de las mediciones
En este estudio se analizaron las concentraciones de tres contaminantes (CO, NO2 y PM10)
registrados en 3 sitios de fondo urbano en la ciudad de Buenos Aires. El período analizado incluye
las mediciones realizadas entre el 1 de octubre de 2009 y el 1 de octubre de 2017, con un total de
70115 registros de por contaminante para cada estación de monitoreo.
La Figura 96 muestra las series cronológicas de los contaminantes medidos y la disponibilidad
de los datos de las tres estaciones. Analizando los registros, se pueden observar largos períodos
de ausencia de mediciones. La estación de Córdoba tiene el menor número de registros (sólo el
65% en todo el período), mientras que la estación de La Boca es la más completa (76%). La mayor
falta de mediciones se dio en la estación de Córdoba durante el año 2013, faltando más del 50%
de los datos horarios.
Capítulo 5
200
Figura 96. Serie de tiempo de cada uno de los contaminantes en las estaciones de la Ciudad de Buenos Aires
También se observó una alta proporción de datos faltantes para los últimos meses de 2015 en
todas las estaciones. En particular, las mediciones de PM10 sólo se encuentran disponibles a partir
de 2011 (Figura 96, c). También, resalta la presencia de casos extremos los cuales se verán con
mayor detalle en la próxima sección.
II. Análisis de redundancia
Dado la proximidad entre las estaciones, uno de los principales intereses ha sido evaluar la calidad
de la información recolectado por la red de monitoreo en función de la redundancia registrada.
En un primer paso, se evaluó la fuerza de la relación entre las estaciones para cada uno de los
contaminantes calculando el coeficiente de correlación de Pearson. En todos los casos, las
correlaciones fueron significativas y altas. Para el CO, las tres estaciones mostraron una r > 0.99
(p < 0.05). Lo mismo ocurrió para el PM10, donde r > 0.85 en todos los casos (p < 0.05). Una
correlación más baja presentó NO2, donde la relación más alta fue entre Centenario y La Boca
(0.69, p < 0.05) y la más baja entre Centenario y Córdoba (0.56, p<0.05).
Buenos Aires, Argentina
201
Tras esto se aplicó un análisis de conglomerados jerárquicos para agrupar los sitios de monitoreo
en función de la similitud de los valores de concentración de los contaminantes (Figura 97). CO
y PM10 mostraron resultados similares, donde las estaciones de Centenario y Córdoba
constituyeron un solo grupo. Sin embargo, fueron las estaciones de Centenario y La Boca las que
formaron un cluster para NO2.
Figura 97. Dendrogramas para cada contaminante. En el eje vertical se observa la
distancia euclidea. En el recuadro las asociaciones significativas entre las estaciones.
Los resultados indican que las estaciones realizaron mediciones similares para los diferentes
contaminantes, con patrones únicos para los tres contaminantes a la vez. Es decir, la información
que se recolecta presenta redundancia por contaminantes. Este es el caso de Centenario y Córdoba
para CO y PM10, y para Centenario y La Boca para NO2 donde pese a esto no se podría descartar
ninguna, puesto que presentan un distinto patrón considerando los 3 contaminantes en conjunto.
Dada la falta de recursos, y buscando un máximo aprovechamiento de la tecnología disponible,
resultaría interesante estudiar otros sitios potenciales para ubicar la estación de monitoreo, y de
esta forma generar mediciones que brinden información independiente.
III. Análisis del área de influencia de las estaciones de monitoreo
Las estaciones están ubicadas en diversas zonas de la ciudad de Buenos Aires (Figura 98) y
monitorean el casco urbano, un tejido homogéneo, con ligeras diferencias en el uso del suelo. La
estación de Córdoba (34.60º S, 58.39º W) está situada en una avenida de alto tránsito, en una
zona comercial de edificios de gran altura. La estación de La Boca (34.63º S, 58.37º W) está
ubicada en el área de la cuenca Matanza-Riachuelo, cerca de una autopista y un centro industrial
(complejo petroquímico Dock Sud), por lo que es una zona mixta de alto flujo vehicular y fuentes
estacionarias como refinerías de petróleo, dos centrales termoeléctricas, un área de
Capítulo 5
202
almacenamiento de hidrocarburos y de productos líquidos no inflamables, industrias químicas,
entre otras.
Figura 98. Imagen de la Ciudad Autónoma de Buenos Aires con la
ubicación de los tres sitios de monitoreo (en rojo), la estación AERONET
(en verde) y la estación meteorológica (en naranja).
Mientras que las estaciones de La Boca y Córdoba han estado en operación desde 2009, la estación
Centenario (34.61° S, 58.43º W) comenzó a operar en 2005. Esta última estación se encuentra en
las afueras del parque Centenario, un área arbolada, en una zona comercial con un flujo vehicular
medio y baja influencia de fuentes estacionarias.
En función de la expuesto anteriormente, resultaría conveniente evaluar la instalación de una
estación de monitoreo en la zona norte de la ciudad, en las proximidades de la estación CEILAP o
de la estación meteorológica.
IV. Análisis de influencia de la meteorología
La Tabla 20 muestra el resumen estadístico estacional de los parámetros meteorológicos,
incluyendo la velocidad del viento, la temperatura ambiente y la humedad relativa. Como se
mencionó, la región tiene un clima subtropical húmedo [Peel et al., 2007]. Los inviernos y veranos
son húmedos con una humedad media anual del 71%.
Buenos Aires, Argentina
203
Tabla 20. Parámetros meteorológicos estacionales provistos por el SMN: velocidad del viento
(m.s-1), temperatura ambiente (ºC) y humedad relativa (%) para el período analizado.
Velocidad del viento (m.s-1) Temperatura (ºC) Humedad relativa (%)
Estación Min Media Max Min Media Max Min Media Max
Otoño 0.0 2.0 10.3 3.2 18.2 34.8 24 75 100
Primavera 0.0 2.6 11.4 3.4 18.0 35.2 20 69 100
Verano 0.0 2.1 13.3 9.7 24.6 38.6 18 66 100
Invierno 0.0 2.6 12.8 -0.6 12.2 30.5 21 76 100
Los vientos tuvieron una tasa de calma anual del 3.8% y una velocidad media anual del viento de
2.3 m.s-1. A lo largo del año los vientos predominantes provienen del NE, excepto en invierno
cuando el viento del sector NW se hace más frecuente (Figura 99). El mayor valor medio
estacional de la velocidad del viento se observó durante el verano (13.3 m.s-1). En trabajos
anteriores, durante esta temporada, se han encontrado los mayores valores estacionales medios
diarios del factor de recirculación [Venegas & Mazzeo, 1999; Ulke & Mazzeo, 1998].
Figura 99. Rosas de viento estacionales para el período 2009 -2017.
Las velocidades del viento se dividen en los intervalos que se muestran
en la escala. Los círculos grises muestran la frecuencia de conteos por
dirección del viento.
Capítulo 5
204
Es importante señalar que la baja variabilidad estacional puede afectar el proceso de deposición
húmeda, en particular para PM10 [Gramsch et al., 2006]. Las variaciones en la velocidad del viento
también influyen en los niveles de contaminantes en el aire. Los períodos de calma prolongados
proporcionan una estabilidad atmosférica que evita la dispersión de contaminantes. En este
contexto, se espera que se produzcan concentraciones persistentes de contaminación.
V. Análisis exploratorio de los datos
En la Tabla 21 se presentan los resultados de las estadísticas descriptivas de las mediciones
horarias obtenidas para los diferentes contaminantes atmosféricos durante todo el período de
medición.
Analizando el CO de todo el período se puede observar que mientras que los valores máximos
(50.0, 47.3 y 44.7 ppm para las estaciones de Centenario, Córdoba y La Boca, respectivamente)
difieren entre las tres estaciones en más del doble de sus desviaciones estándar (0.9; 1.1 y 1.0
ppm), las medianas y medias (0.5 y 0.6 ppm) son iguales para las estaciones de Centenario y
Córdoba, mientras que son inferiores para la estación de La Boca (0.2 y 0.3 ppm).
Tabla 21. Estadísticos descriptivos de los valores de concentración obtenidos para los
diferentes contaminantes atmosféricos en cada una de las estaciones, para el período de
tiempo analizado (LD = límite de detección).
Contaminante Estación Min Mediana Media Max Sd
CO (ppm)
Centenario < LD 0.5 0.6 50.0 0.9
Córdoba < LD 0.5 0.6 47.3 1.1
La Boca < LD 0.2 0.3 44.7 1.0
NO2 (ppb)
Centenario < LD 18.0 19.6 155.0 9.7
Córdoba < LD 23.0 26.7 283.0 16.9
La Boca < LD 17.0 19.6 129.0 11.8
PM10 (μg.m-3)
Centenario < LD 26.0 30.0 427.0 17.9
Córdoba < LD 25.0 28.5 253.0 16.2
La Boca < LD 26.0 29.3 387.0 17.2
En cuanto al NO2, las concentraciones medias están dentro de las esperadas para las zonas
urbanas [European Environment Agency, 2017; Li et al., 2016], en el rango de 19.6-26.7 ppb
Buenos Aires, Argentina
205
(Tabla 21). Es notable la amplia dispersión de los datos de NO2 de la estación Centenario antes
de la interrupción de las mediciones durante 2013 (Figura 96).
Si bien las concentraciones medidas están dentro de los límites legales para CABA, hay
excedencias respecto a las recomendaciones para el cuidado de la salud que propone la OMS. Las
concentraciones medias horarias de NO2 fueron superiores a 106 ppb (200 μg.m-3) en distintas
ocasiones en cada una de las estaciones (Figura 100).
Figura 100. Gráfico violín para el conjunto de las mediciones de NO2 realizadas en
el período 2010-2017 (ppb). La línea roja punteada indica la concentración
recomendada horaria por la OMS de 106 ppb.
La estación con mayores excedencias fue la estación Córdoba que sobrepasó el límite
recomendado en el 2009, 2010, 2011, 2012 y 2013. El año con mayor número de excedencias fue
el 2013, con un total de 32 para todo el año. El resto de las estaciones, si bien sobrepasaron el
límite recomendado por la OMS, no superaron las 3 veces al año (Figura 101).
Figura 101. Cantidad de días al año en que las estaciones superan el límite
horario para el NO2 recomendado por la OMS.
Capítulo 5
206
Con respecto a la media de las concentraciones de PM10, las tres estaciones de monitoreo
presentaron resultados cercanos entre los 28.5 y 30 μg.m-3 (Figura 102). Para todas las especies
se registraron valores mínimos inferiores al límite de detección del instrumento.
Figura 102. Gráfico violín para el conjunto de las mediciones de PM10 realizadas
en el período 2010-2017 (μg.m-3). La línea roja punteada indica el límite
recomendado por la OMS de 20 μg.m-3.
Respecto a las excedencias, las concentraciones medias anuales de PM10 superaron el valor
recomendado por la OMS de 50 μg.m-3 para cada año en las tres estaciones de control (Figura
103). El año con mayores excedencias fue el 2011.
Figura 103. Cantidad de días al año en que las estaciones superan el límite anual
para el PM10 recomendado por la OMS.
A su vez, los diferentes contaminantes presentaron valores extremadamente altos durante el
período evaluado. Los fenómenos de contaminación atmosférica extrema son especialmente
Buenos Aires, Argentina
207
preocupantes, ya que representan un riesgo para la salud humana y pueden producir cambios en
los ecosistemas [Zhou et al., 2012]. Es por esto que los valores extremos del período analizado
fueron estudiados en su contexto, lo cual permitió la identificación y caracterización de los eventos
extremos a lo largo de los 8 años de mediciones.
En cuanto al CO, hay tres ocasiones diferentes en las que las concentraciones superan el valor
límite (25 ppm) indicado por la OMS, poniendo en peligro la salud de las personas expuestas
[OMS, 1999]. Estos eventos tuvieron lugar los días 25 y 26 de octubre de 2010, 23 y 24 de junio y
23 y 24 de diciembre de 2014.
De estos, el evento más importante tuvo lugar del 23 al 24 de junio de 2014, al mediodía, y fue
detectado por las tres estaciones de monitoreo. La Figura 104 ilustra los niveles de CO medidos
en los diferentes sitios. Los niveles más altos de CO se registraron en la estación Centenario a las
3 de la mañana del 24 de junio (50 ppm) y al mediodía del mismo día en la estación de Córdoba
(47 ppm). En la estación de La Boca, se mantuvo una concentración promedio de 32 ppm durante
todo el evento, en contraste con las mediciones regulares de 0.3 ppm.
Figura 104. Registro horario del evento registrado por las 3 estaciones entre el 23 y 25 de junio de 2014
Las condiciones climáticas asociadas a este evento fueron una velocidad media del viento de 0.9
m.s-1, una temperatura media de 14 ºC y una humedad relativa del 94%. Después del mediodía
del 24 de junio, los niveles de CO volvieron a sus niveles anteriores.
Además, una sola estación midió altas concentraciones de CO en otras dos ocasiones durante el
período analizado. Los días 25 y 26 de octubre de 2010, la estación de La Boca registró un evento
que alcanzó una concentración de 45 ppm. Por su parte, la estación de Córdoba midió valores
altos entre el 23 y 24 de diciembre de 2014, registrando 33 ppm de CO como el valor más alto.
Estos eventos no se mencionaron en trabajos científicos anteriores ni en informes
públicos/institucionales. La inexistencia de registros públicos de emisiones accidentales dificulta
la explicación de estas mediciones inusuales. Al mismo tiempo, dada la insuficiencia de los
registros sistemáticos del sistema de salud, no es posible analizar las implicancias de estos hechos
para la población expuesta.
Los valores extremos de NO2 son frecuentes en el período analizado, alcanzando concentraciones
extremadamente altas que superan los niveles recomendados por la OMS [OMS, 2006]. Estos
Capítulo 5
208
niveles extremos (> 104 ppm para el corto plazo) ocurrieron 232 veces en la estación de Córdoba,
7 veces en la estación de La Boca y 2 veces en la estación de Centenario. El mayor número de
rebasamientos de la estación de Córdoba se explica por el hecho de que está situada en una
avenida de alto tráfico circunscrita por edificios altos. Los óxidos de nitrógeno son emitidos por
el tráfico rodado, la industria y la calefacción. Dentro de la atmósfera, y en presencia de
compuestos orgánicos y radiación solar, el NO reacciona con el O3 para formar NO2 secundario.
Por lo tanto, las concentraciones de NO2 pueden fluctuar considerablemente con el tiempo debido
a la fuerte influencia de factores antropogénicos y naturales.
Además, los períodos de aumento de las concentraciones de PM10 fueron consistentes con los
eventos de actividad volcánica. Los valores máximos de PM10 de las series temporales fueron
registrados en julio de 2011, en las estaciones de Centenario y La Boca, y en octubre del mismo
año en las tres estaciones (Figura 105). Estas fechas son consistentes con los meses de la
erupción del complejo volcánico chileno Puyehue-Cordón Caulle en la Cordillera de los Andes,
ubicado a 1400 km de Buenos Aires. La erupción comenzó el 4 de junio de 2011 y duró varios
meses emitiendo cenizas. Las cenizas tuvieron un transporte circumpolar, viajando hacia el este
y pasando por Sudáfrica, el sur de Australia y Nueva Zelanda para llegar de nuevo a Chile después
de 10 días [Collini et al., 2013; Ulke et al., 2016].
Figura 105. Serie de tiempo de las concentraciones medidas de PM10 en los eventos particulares
de julio y octubre de 2011.
Buenos Aires, Argentina
209
Otro período de altas concentraciones de PM10 coincidiendo con la actividad volcánica ocurrió en
abril de 2015, cuando un enjambre de terremotos volcánicos-tectónicos, incluyendo el volcán
Calbuco, entró en erupción después de décadas de inactividad. Varios días después, los vientos se
llevaron las cenizas de la erupción del volcán y el sábado 25 de abril, la nube de cenizas llegó a la
ciudad de Buenos Aires y al sur de Uruguay [Reckziegel et al., 2016].
Es importante señalar que los patrones y mecanismos de arrastre, transporte y deposición de
material particulado siguen siendo temas poco explorados para esta región [Ristori et al., 2010;
Otero et al., 2011; Otero et al., 2012]. Investigaciones anteriores han demostrado que el polvo
patagónico puede viajar miles de kilómetros [McConnell et al., 2007; Gassó et al., 2010; Li &
Ramaswamy, 2010], y en ciertas condiciones climáticas, es transportado en dirección este-noreste
[Johnson et al. 2011; Gasso & Stein, 2007]. En este sentido, sería interesante promover estudios
en la región que puedan relacionar las mediciones de la calidad del aire con el transporte de
aerosoles.
Variaciones estacionales
Analizando los promedios estacionales de los contaminantes en todas las estaciones (Figura
106), se observó un patrón de disminución para las concentraciones de CO y NO2, siguiendo el
orden invierno > otoño > primavera > verano, con diferencias significativas entre ellas (valor p <
0.001). La comparación de los datos de la media estacional de CO mostró el pico máximo en
invierno (0.8 ppm) en la estación de Córdoba, y un valor mínimo en verano (0.2 ppm) en la
estación de La Boca. Por su parte, el NO2 presentó un máximo de promedios estacionales durante
el invierno (33.7 ppb) en la estación de Córdoba, mientras que el valor estacional mínimo (15.7
ppb) se registró durante el verano en la estación de La Boca. Este tipo de comportamiento es
consistente con los reportados por otros autores en diferentes ciudades [Henschel et al., 2015;
Henschel et al., 2015; Mavroidis & Ilia, 2012]; en invierno, las condiciones climáticas y el uso de
la calefacción central conducen a un aumento de las emisiones y acumulación de contaminantes.
Figura 106. Concentraciones medias mensuales para cada contaminante en las 3 estaciones de monitoreo.
No obstante, las concentraciones de PM10 tuvieron un patrón diferente para los promedios
estacionales, con los valores más altos observados en invierno y las concentraciones más bajas en
otoño. Las PM10 alcanzaron el valor medio estacional máximo (33.7 μg.m-3) durante el invierno
en la estación Centenario y el mínimo (26.2 μg.m-3) en otoño en la estación La Boca. Esto no se
Capítulo 5
210
condice con lo informado por [Bogo et al., 2003], donde se señalaba que los niveles de PM en
Buenos Aires disminuyen de verano a otoño-invierno.
Mientras que el CO y el NO2 mostraron un comportamiento característico asociado con el
aumento de las emisiones invernales, la reducción de la radiación solar y la disminución de la
altura de la capa de mezcla, las concentraciones de PM10 no mostraron un descenso estacional
marcado (Figura 106). Esto puede deberse a la humedad relativa constante y a la baja velocidad
del viento superficial a lo largo del año que mantiene las partículas de aerosol dentro de la región
de origen.
Análisis semanal, diario y horario
El comportamiento semanal y diario de los contaminantes es el resultado de la interacción de
diferentes factores, incluyendo la interacción entre la intensidad de las emisiones y los procesos
fotoquímicos [Seinfeld y Pandis, 2016]. En este sentido, se espera que los niveles de
contaminantes analizados disminuyan durante el fin de semana y durante las horas no laborables
cuando las actividades productivas y el tráfico vehicular disminuyan.
La Figura 107 muestra el comportamiento semanal de los contaminantes por estación de
monitoreo. En el caso de las mediciones de CO, Centenario y Córdoba mostraron concentraciones
similares a lo largo de la semana, mientras que en La Boca se presentaron menores mediciones.
La estación de Córdoba tuvo un fuerte descenso en los niveles de CO hacia el fin de semana,
cuando para el resto de las estaciones los niveles cambiaron ligeramente. Esto indica una fuerte
relación entre los niveles de CO y las actividades productivas que tienen lugar alrededor de esta
estación.
Figura 107. Concentraciones medias diarias para cada contaminante en las 3 estaciones de monitoreo.
Se observa un patrón diferente para el NO2, donde todas las estaciones reportaron una fuerte
reducción en los niveles al final de la semana. La estación de Córdoba mostró mayores
concentraciones de NO2 que las estaciones de La Boca y Centenario. Este resultado cumple la
predicción ya que la estación de Córdoba se encuentra en un punto de alto tránsito de la ciudad
de Buenos Aires.
A diferencia de otros contaminantes, las concentraciones de PM10 fueron similares durante la
semana en las tres estaciones de control, con niveles medios más bajos los lunes y niveles máximos
los viernes.
Buenos Aires, Argentina
211
Los comportamientos horarios de CO y NO2 presentaron patrones típicos para áreas urbanas
como picos relacionados con el alto flujo vehicular durante el mediodía y la tarde y pronunciados
descensos durante la noche. Este comportamiento fue anteriormente señalado por [Bogo et al.,
2003], donde determinaron que los niveles de CO y NOx son muy bajos por la noche durante todo
el año.
Es posible ver en la Figura 108 un aumento en las concentraciones desde las 6 a.m. hasta el
mediodía, cuando las concentraciones disminuyen ligeramente. Posteriormente, se observa un
nuevo aumento de las concentraciones con una concentración máxima diaria cercana a las 6 p.m.,
y luego los niveles vuelven a bajar.
La disminución entre los dos picos podría estar relacionada con diferentes factores, entre los que
podemos destacar: menores emisiones, mayor potencial de dispersión atmosférica y procesos
fotoquímicos, especialmente para el NO2. Este tipo de comportamiento ha sido descrito en otras
publicaciones sobre el tema [Henschel et al., 2015; Mavroidis & Ilia, 2012].
Los días del fin de semana presentaron un comportamiento particular. Los valores máximos se
desplazaron hacia las primeras horas del día. Particularmente los domingos, los niveles de CO
alcanzaron valores mínimos entre 16-18 h mientras que para el NO2 ocurre a las 12-14 h.
Figura 108. Concentraciones medias horarias a lo largo de la semana para cada
contaminante en las 3 estaciones de monitoreo.
Capítulo 5
212
En el caso de PM10, se observó con mayor intensidad una capacidad de acumulación de este
contaminante. Las concentraciones aumentaron al principio de la semana, luego se mantuvieron
en un promedio de 30 μg.m-3 los días laborables y disminuyeron en las primeras horas del sábado.
El comportamiento inusual observado para PM10 puede explicarse a partir del pretratamiento de
los datos, donde se realiza el promedio móvil de 24 horas de las concentraciones, haciendo más
sutiles las variaciones que pueden estar presentes dentro de este rango de tiempo. Este es un
aspecto importante para destacar ya que implica una exposición continua a un nivel de partículas
superior al nivel medio anual recomendado por la OMS [2006].
VI. Evaluación de las tendencias a largo plazo
La cuantificación de las tendencias en el tiempo se evaluó computando el estimador no
paramétrico de pendiente Theil-Sen en las medias mensuales. Para examinar los cambios en la
pendiente, se analizaron las tendencias de los contaminantes totales y para cada dirección del
viento.
La tendencia total en la estación Córdoba para PM10 fue de -3.48 [-5.88, -1.3] %.año-1 (p < 0.05, n
= 70126), para CO de 9.04 [0.65, 21.93] %.año-1 (p< 0.05, n = 70126) y para NO2 de -4.27 [-6.67,
-2.49] %.año-1 (p< 0.05, n = 70126). Igualmente, en la estación Centenario la tendencia total para
PM10 fue de -5.42 [-7.27, -3.67] %.año-1 (p< 0.05, n = 70126), para NO2 de -5.23 [-6.63, -3.89]
%.año-1 (p< 0.05, n = 70126) y para CO no significativa. Por su parte, en la estación La Boca, la
tendencia total fue también no significativa para PM10, mientras que para NO2 fue de -6.97 [-8.31,
-5.25] %.año-1 (p< 0.05, n = 70126) y para CO fue positiva de 17.13 [13.21, 131.18] %.año-1 (p<
0.05, n = 70126).
En la Tabla 22 se observan las pendientes por dirección de viento. Al desagregar los datos por
dirección de viento, se obtuvo que la tendencia del CO fue positiva en las estaciones de Córdoba y
La Boca. En el caso de la estación de Córdoba, las contribuciones fueron significativas desde el
NW y NE. En cuanto a la estación de La Boca, se observó una tendencia creciente con aportes
significativos de los NE, E, SE, S, SW y W. Aunque las tendencias fueron positivas, la proyección
de la concentración de CO no se aproxima en el corto plazo al valor límite recomendado por la
OMS para la protección de la salud de la población [OMS, 1999]. Por otra parte, se observaron
disminuciones consistentes en la media mensual desde los sectores NW, N, NE y E en la estación
Centenario.
Las concentraciones de NO2 tuvieron una clara tendencia a la baja con una alta significación
estadística durante el período estudiado en todas las estaciones y en todas las direcciones del
viento. Las concentraciones medias mensuales de PM10 también presentaron una tendencia global
a la baja en las estaciones de Córdoba (aunque no en las direcciones NE y E) y Centenario (no en
la dirección E). Sin embargo, la tendencia para la estación de La Boca no fue significativa en
ninguna dirección del viento. Las disminuciones de NO2 y PM10 pueden atribuirse a mejoras en la
tecnología de las flotas de automóviles, como el uso de convertidores catalíticos en los tubos de
escape y el uso menos común de vehículos diesel que emiten una mayor fracción de NO2 en
comparación con los vehículos de gasolina [Mavroidis & Ilia, 2012].
Buenos Aires, Argentina
213
Tabla 22. Tendencias significativas a largo plazo para diferentes direcciones de viento con un intervalo de confianza del 95% entre corchetes. ns, no significativo; * p<0.001; ** p<0.05
NW N NE
W
E
SW S SE
Centenario Córdoba La Boca
CO (ppm.año-1)
-0.03 [-0.06, -0.01]**
-0.02 [-0.05, 0]**
-0.02 [-0.04, 0]**
0.04 [0.01, 0.06]*
ns 0.05 [0.02, 0.07]*
ns ns 0.03 [0.02, 0.04]*
ns -0.03 [-0.05, -0.01]**
ns ns 0.03 [0.01, 0.05]*
0.03 [0.02, 0.04]*
ns ns ns ns ns ns 0.04 [0.02, 0.05]*
0.03 [0.01, 0.04]*
0.03 [0.01, 0.04]*
NO2 (ppb.año-1)
-1.78 [-2.25, -1.27]*
-1.44 [-1.85, -0.97]*
-1.32 [-1.73, -0.97]*
-1.69 [-2.35, -1.06]*
-1.48 [-2.34, -0.74]*
-1.68 [-2.61, -1.04]*
-2.51 [-3.21, -1.84]*
-2.15 [-2.63, -1.60]*
-1.87 [-2.35, -1.29]*
-1.23 [-1.66, -0.77]*
-1.06 [-1.48,-0.61]*
-1.18 [-1.91, -0.62]*
-1.12 [-2.31, -0.32]**
-1.67 [-2.32, -0.91]*
-1.47 [-1.88, -0.87]*
-1.10 [-1.48, -0.70]*
-1.36 [-1.82, -0.87]*
-1.01 [-1.45, -0.57]*
-1.26 [-1.97, -0.66]*
-1.59 [-2.32, -0.83]*
-1.25 [-2.23, -0.25]**
-1.17 [-1.71, -0.56]*
-1.25 [-1.70, -0.69]*
-1.29 [-1.82, -0.66]*
PM10 (μg.m-3.año-1)
-2.68 [-3.74, -1.82]*
-2.00 [-2.77, -1.31]*
-1.63 [-2.22, -1.09]*
-1.79 [-2.55, -0.97]*
-0.91 [-1.80, -0.19]**
ns ns ns ns
-1.72 [-2.83, -0.82]*
ns -1.74 [-2.93,-0.70]*
ns ns ns
-2.04 [-3.16, -1.11]*
-2.15 [-3.24, -1.32]*
-1.92 [-2.79, -1.09]*
-1.79 [-2.98, -0.84]*
-1.78 [-2.76, -0.71]*
-1.13 [-1.93, -0.13]**
ns ns ns
VII. Análisis de los aportes
Las rosas de la contaminación se trazaron utilizando la concentración de los diferentes
contaminantes en cada estación (Figura 109). De esta manera es posible observar las direcciones
de los vientos que más contribuyeron a las concentraciones medias totales, permitiendo la
identificación de los sectores de procedencia de las fuentes más relevantes.
Capítulo 5
214
Figura 109. Rosas de contaminación
En la estación Centenario, las mayores concentraciones de CO y NO2 llegaron con mayor
frecuencia desde el sector NW, aunque los sectores N y NE hicieron una contribución
considerable, mientras que las principales contribuciones de PM10 provinieron de los sectores NW
y SE. En cuanto a la estación de Córdoba, la mayor concentración de aportes de CO proviene de
SE, mientras que las mayores concentraciones de NO2 y PM10 provienen de NE, E, SE y S.
Finalmente, en la estación de La Boca las mayores concentraciones de CO y NO2 provienen de NW
> N > NE, mientras que las contribuciones de PM10 también son mayores de NW, sin embargo,
las contribuciones de N, NE y SE son comparables.
No hubo sectores que contribuyesen sustancialmente a las concentraciones medias de las tres
estaciones. Como se describió anteriormente, estas estaciones de monitoreo fueron ubicadas en
el centro urbano, donde el flujo de aire es bajo-moderado y se localizan diferentes fuentes con
intensidad relativamente similar. En vista de estas características, la metodología propuesta tiene
algunas limitaciones [Ruiz et al., 2014] que fueron superadas por el análisis de rosas de viento
para diferentes rangos de concentración (Figura 110).
Buenos Aires, Argentina
215
Figura 110. Rosas de viento para diferentes rangos de concentración de a) CO b) NO2 y c) PM10
Capítulo 5
216
VII. Análisis del comportamiento espacial
Para evaluar el comportamiento espacial de los contaminantes en el aire se procedió a elaborar
mapas de concentraciones de PM10, entendiendo que el PM10 es un contaminante criterio que
funciona como un buen indicador de la contaminación atmosférica
Obtención y validación de imágenes espaciales
Para la confección de mapas de material particulado se trabajó con el producto satelital MCD19A2
de 1 km para el período comprendido entre 2009-10-01 y 2017-10-01 provisto por la NASA. Se
descargaron un total de 12055 imágenes diarias. El producto AOD MCD19A2 es un producto
diario que resume la información de distintas órbitas de los satélites Terra y Aqua, las horas de
sobrepaso de los satélites resultó entre las 12 y las 15 hs UTC sobre la ciudad de Buenos Aires.
De las imágenes se extrajo la información en un área circular (3 y 7 km de diámetro) a las horas
de sobrepaso de los satélites (12-15 hs UTC) y se promediaron los valores de AOD de los pixeles
que cayeron dentro del área. A su vez, se generó un promedio con las mediciones AERONET en
el lapso temporal de sobrevuelo del satélite para relacionarlo con los valores medidos por MODIS.
Como se señaló anteriormente, este paso requirió la interpolación cuadrática de las mediciones
de AOD registradas por AERONET a la longitud de onda utilizada por MODIS (550 nm).
Como primera cuestión, cabe resaltar que se observó una gran falta de información. El período
comprende más de 9 mil días, y se observó una pérdida del 77% por falta de registros de
AERONET o por presencia de nubes u otra aberración que aumentaba el error de la recuperación
de AOD de forma satelital.
Como se mencionó anteriormente, la correlación se realizó aplicando un área circular de 3 y 7 km
de diámetro entorno a la estación de AERONET y promediando los valores de AOD obtenidos a
partir de las mediciones de MODIS en esa área. Para el área de 3 km de diámetro, se obtuvo un
factor de correlación de Pearson negativo (r = -0.08, p < 0.001) y un coeficiente de Spearman no
significativo. A su vez, considerando los valores obtenidos en el área circular de 7 km de diámetro,
el factor de correlación de Pearson y de Spearman también fueron negativos (r = -0.08, p < 0.001;
rho = -0.06, p < 0.05). Estos resultados muestran una muy mala relación entre las mediciones
satelitales y las realizadas por AERONET, independiente del radio que se considere.
Analizando con mayor detalle el set de datos, se observó una gran cantidad de valores altos con
signo negativo de AOD medidos por MODIS. Estos valores pueden advertir de una falla en el
algoritmo de recuperación de los aerosoles de la columna atmosférica en función de la reflectancia
medida en el tope de atmósfera. Si bien los valores negativos aparecen en atmósferas muy limpias
porque MODIS no tiene sensibilidad sobre el terreno para recuperar los valores de AOD con una
precisión mejor que ±0.05, los valores altos negativos no se explicarían por este motivo puesto
que superaban ampliamente el margen de precisión. Estos resultados anómalos abren nuevas
preguntas para futuros trabajos en la región.
Por otra parte, cabe mencionar que no se realizó un tratamiento adicional para evaluar la calidad
de los datos de CEILAP AERONET. En [Ristori et al., 2003], se menciona que cuando se realizó
un prefiltro de los datos de esta misma estación mediante el cálculo del error cuadrático medio
sobre el ajuste de una regresión parabólica de la Ley de Ångström, se descartaron el 88% de los
Buenos Aires, Argentina
217
datos provistos para un período temporal distinto al utilizado en esta tesis. Resulta una etapa
interesante a incorporar como mejora a este trabajo.
Continuando con el análisis, se decidió no considerar las mediciones negativas para la calibración
de MODIS. De esta forma, se evaluó la fuerza de la relación entre AERONET y MODIS y se
calcularon los factores de correlación de Pearson y Spearman para el buffer de 3 km, los cuales
dieron: 0.54 (p-value < 0.001) y 0.34 (p-value < 0.001), respectivamente. Esto mismo se realizó
para un buffer de 7 km de diámetro, encontrándose que los factores de correlación de Pearson
(0.47, p-value <0.001) y Spearman (0.30, p-value < 0.001) fueron levemente inferiores.
Para la calibración, el modelo lineal realizado responde a la fórmula:
AODAERONET = a + b.AODMODIS
donde a = 0.034 ± 0.003 (p-value< 0.001) y b = 0.62 ± 0.03 (p-value< 0.001), el cual se observa
en la Figura 111. La regresión lineal presentó un R2 ajustado = 0.34. Estos resultados son
llamativamente bajos, pero no se cuenta con otro sistema de validación para las imágenes en la
zona. La recta de validación presentó un RMSE = 0.05 y un MAE = 0.03 unidades de AOD para
un set de datos de prueba (n = 1840 observaciones).
Figura 111. a) Correlación entre los datos MODIS y AERONET a 550 nm, b)Scatterplot entre las
medidas de AOD y las medidas de AOD calibradas con AERONET .
Las imágenes MODIS fueron recortadas, calibradas y se eliminaron los valores negativos. Tras
esto se generaron mosaicos diarios. Cuando las imágenes presentaron una superposición en
algunas de sus partes, se reemplazó el valor de píxel por la media.
Para completar la falta de datos en las imágenes satelitales, debido a la presencia de sombras,
nubes o por la eliminación de los valores anómalos negativos, se rellenaron las imágenes mediante
el método de interpolación Ponderado de Distancia Inversa (IDW) con una distancia de
alisamiento de 3 km [Goldberg et al., 2019]. Solo se rellenaron imágenes que tuvieran más del
30% de los valores para el área. Las imágenes diarias que no cumplieron con este porcentaje se
Capítulo 5
218
descartaron para no introducir un error al modelo. En la validación cruzada del método de
interpolación IDW, se obtuvo un RMSE promedio de 0.007 土 0.003 unidades de AOD, un orden
de magnitud menor que la media de los valores de AOD y su desviación estándar.
De las imágenes diarias completadas por el método de interpolación se extrajeron los valores de
AOD sobre las estaciones de monitoreo. Utilizando los datos diarios de AOD promedio dentro de
un buffer de 1 km entorno a la estación de monitoreo de PM10, los factores de correlación de
Pearson y Spearman entre AOD-PM10 dieron 0.11 (p-value < 0.001) y no significativo. Sin aplicar
el buffer, se obtuvieron los mismos valores en los factores de correlación de Pearson y Spearman
entre AOD-PM10. Este nivel de correlación es bajo respecto a la Comunidad Valenciana. Se
continuó trabajando sin aplicar buffer, ya que requiere menos procesamiento.
No se observaron diferencias en la correlación AOD y PM10 en las estaciones de monitoreo
(Figura 112).
Figura 112. Correlación entre las mediciones de AOD de MODIS y las mediciones promedio
de PM10 dentro de las horas de paso de órbita del satélite para cada una de las estaciones en todo
el período de estudio (p<0.05)
Como primer modelo se consideró un modelo de regresión lineal del tipo:
Y = β0 + β1 X
donde X representa a las mediciones de AOD diarias en los puntos de monitoreo e Y el logaritmo
de las mediciones de PM10. Los parámetros obtenidos fueron un factor de determinación R2 = 0.01
Buenos Aires, Argentina
219
Figura 113. Gráficos evaluatorios del modelo. Izquierda) Residuos del modelo, centro) QQ-Plot
de los residuos estandarizados, derecha) Distancia de Cook o añade letras en la parte gráfica.
Analizando el modelo lineal, se observó una falta de normalidad de los residuos estandarizados
(Figura 113, izquierda). Esto se comprobó con un Test de normalidad de Shapiro (W = 0.70,
p-value < 0.001), rechazando la hipótesis nula de normalidad. En base a esto se procedió a elegir
un modelo no paramétrico para la confección del modelo. Se seleccionó el método no paramétrico
de machine learning Random Forest para desarrollar el modelo LUR.
Generación de un modelo espacial para PM10
Para la confección del modelo espacial de PM10 se trabajó con las variables PS, RH, T, U, V,
BCSMASS, DMSSMASS, DUSMASS, OCSMASS, SO2SMASS, SO4SMASS, SSSMASS, PBLH,
PRECTOT, SPEEDMAX, SPEED, USTAR, ALBEDO, CLDHGH, CLDLOW, H1000 obtenidas
mediante modelación con MERRA-2, explicadas anteriormente.
Como paso previo a la confección del modelo, se evaluó la correlación entre las variables para
descartar aquellas que mantienen una fuerte correlación. En la Figura 114 se ve el coeficiente de
correlación entre todas las variables consideradas.
Capítulo 5
220
Figura 114. Correlación entre las variables iniciales. De rojo a azul se indica el
factor de correlación de Pearson. Las cruces indican correlación no significativa.
En función de la alta correlación, descartamos las variables BCSMASS, OCSMASS, SPEEDMAX,
USTAR, H1000 y CLDLOW, quedando el modelo final con las variables:
PM10 ~ AOD + PS + RH + T + U + V + DMSSMASS + DUSMASS + SO2SMASS +
SO4SMASS + SSSMASS + PBLH + PRECTOT + SPEED + ALBEDO +
CLDHGH
Como primer paso, se evaluó el ajuste con un modelo lineal multivariable. El modelo dio un R2 =
0.13, RMSE = 16.79 μg.m-3 y MAE = 10.44 μg.m-3. En base a estos resultados, se decidió probar
un modelo no-paramétrico Random Forest.
El modelo Random Forest se entrenó usando un 80% de los datos (n = 1840), reservándose un
20% para su evaluación. En base a distintas pruebas, se definió trabajar con 1000 árboles de
entrenamiento utilizando como método de validación la técnica de validación cruzada por 10
veces.
En la Figura 115 se pueden ver las variables con mayor relevancia en el modelo. La variable AOD
no presentó una gran importancia para la predicción de PM10. Por el contrario, fueron las
variables provistas por el modelo MERRA-2 referidas a masa de polvo, masa de SO4 y masa de
SO2 las más importantes.
Buenos Aires, Argentina
221
Figura 115. Peso de las variables en la construcción del
modelo de PM10 superficial para Buenos Aires
El ajuste del modelo para PM10 usando Random Forest mostró un R2 = 0.96, con un RMSE = 4.93
μg.m-3 y MAE = 2.92 μg.m-3 para los datos de entrenamiento. En la evaluación con el set de prueba
se obtuvo un RMSE = 10.16 μg.m-3 y un MAE = 6.83 μg.m-3, mostrando un mejor grado de
predictibilidad que el modelo lineal multivariable, al igual que lo observado en el caso de la
Comunidad Valenciana. El MAPE para los datos de prueba fue de un 24.4% mostrando que el
error del modelo es aceptable para esta región. Por otra parte, se obtuvo un BIAS de -38%
indicando una subestimación de los datos modelados.
Al analizar el scatterplot entre los datos medidos y modelados presentado en la Figura 116, se
observa que el mayor error de predicción se da con los valores extremos medidos a campo. Esto
es consonante con los fenómenos locales que pueden estar infiriendo en las estaciones de
monitoreo y no ser registradas por el sensor satelital dada la dilución del contaminante.
Figura 116. Scatterplot entre las mediciones predichas por
el modelo y las mediciones de PM10
Capítulo 5
222
En la Figura 117 se presenta la concentración media anual modelada para PM10 en cada uno de
los años en estudio. Los valores más elevados de PM10 se encuentran predominantemente al N y
NW de la ciudad de Buenos Aires. Las concentraciones más elevadas afectan los municipios de
General San Martín, Tres de Febrero, Morón, Ituzaingó, Hurlingham y San Miguel. Durante este
período se observó un máximo de PM10 hacia el año 2011 y luego un descenso paulatino. Además,
es evidente los menores niveles de PM10 en áreas menos densamente pobladas, como en los
municipios de Coronel Brandsen o Magdalena al sureste. En toda el área de estudio y a lo largo
de los años analizados se excedió la concentración media anual recomendada por la OMS (20
μg.m-3), esto representa un riesgo para la salud de la población.
Figura 117. Mapas de concentración media anual de PM10 modeladas para la Ciudad de Buenos Aires
y el Área Metropolitana de la Provincia de Buenos Aires en el período 2011-2017 (Unidades: μg.m-3).
Para analizar la dispersión de la concentración media anual, se calculó el coeficiente de variación
(CV = desviación estándar/ media) que expresa la dispersión relativa de los datos modelados
respecto a la media aritmética. A diferencia de la desviación estándar, este parámetro aporta una
mejor interpretación de la variabilidad de los datos ya que presenta una menor influencia de los
valores extremos (Figura 118).
Buenos Aires, Argentina
223
Los resultados obtenidos muestran desvíos entre un 10-40% para el período estudiado. La mayor
variabilidad se observó en la Ciudad Autónoma de Buenos Aires, correspondiente al área más
densamente urbanizada. Los resultados obtenidos a partir del coeficiente de variación evidencian
la variabilidad intra-anual de los valores modelos para PM10.
Figura 118. Mapas de coeficiente de variación para la concentración media anual de PM10
modelada para Ciudad de Buenos Aires y el Área Metropolitana de la Provincia de Buenos Aires en
el período 2011-2017.
Con una escala de color diferente, se observa en la Figura 119 las concentraciones medias
anuales de PM10 para la Ciudad de Buenos Aires. Se observa que las zonas más afectadas son los
barrios de Puerto Madero, Retiro, la zona norte de Palermo, Belgrano y Nuñez, Saavedra, Villa
Urquiza, Villa Pueyrredón y Villa Devoto.
Capítulo 5
224
Figura 119. Mapa de concentraciones medias de PM10 en μg.m-3
durante el 2017 para la Ciudad de Buenos Aires
También, resulta interesante analizar la Figura 120 donde se muestran mapas de las máximas
concentraciones modeladas de PM10 para el área de estudio. Se puede ver que si bien la media
anual de PM10 se encuentra entre 25-35 μg.m-3 a lo largo de los distintos años, las concentraciones
máximas diarias modeladas alcanzan los 150 μg.m-3 y se observaron en la zona céntrica de Buenos
Aires.
Se puede ver que el patrón espacial cambia a lo largo de los años. Entre 2011 y 2014 las mayores
concentraciones se encontraron al E y SE de la Ciudad de Buenos Aires, mientras en 2015, 2016 y
2017 se ubicaron al NW.
Buenos Aires, Argentina
225
Figura 120. Mapas de concentraciones máximas modeladas anualmente de PM10 en μg.m-3
IX. Mapas de calidad de aire, de riesgo y de FAM por exposición a PM10
Como se mencionó en el Capítulo 2, la OMS establece como valor recomendado para la protección
de la salud una concentración media anual de 20 μg.m-3 de PM10. En todo el período se ha
superado en toda el área analizada el valor recomendado poniendo en riesgo la población
expuesta.
En la Figura 121 se observan los mapas de medias anuales de PM10 promediados en el área de
cada comuna de la Ciudad de Buenos Aires. Se puede observar que las comunas ubicadas al N y
NW alcanzan las mayores concentraciones medias anuales con respecto a las comunas ubicadas
al S y SE. En particular, el 2017 fue el año menos afectado y el 2011 el mayor.
Capítulo 5
226
Figura 121. Mapas de concentraciones media anual de PM10 promediadas por comuna en Ciudad de Buenos
Aires.
Se evaluó si existía una correlación entre las medias anuales y datos de salud entre los años 2011-
2014 por comuna. Las variables fueron defunciones totales, defunciones de menores de un año y
defunciones fetales [Dirección General de Estadísticas y Censos, 2016]. Los resultados no fueron
concluyentes, mostrando una correlación no significativa. Sería interesante profundizar esta línea
de trabajo desde la mirada de la epidemiología ambiental.
Para una mejor visualización se generaron mapas de calidad del aire a partir de los mapas de
concentración de PM10. En la Figura 122 puede verse el mapa de calidad de aire para las
concentraciones medias anuales durante el 2017 en Buenos Aires. Los resultados muestran que
la situación media en Buenos Aires es potencialmente dañina para personas sensibles, ya sea por
afecciones cardiovasculares o del aparato respiratorio.
Buenos Aires, Argentina
227
Figura 122. Mapa de calidad del aire en Buenos Aires durante el 2017
El riesgo relativo a muerte para todas las edades por exposición a corto plazo de PM10 fue de 1.02
a lo largo del período de estudio, sin grandes variaciones espaciales o interanuales. En la Figura
123 se observa la fracción atribuible de muerte por exposición a PM10, la cual se ubica en el rango
de 0.015 a 0.02 a lo largo del período de estudio. Esto implica entre un 1.5 - 2% de muertes
atribuibles del total de muertes producidas.
Figura 123. Mapa de la fracción atribuible de muertes prematuras por exposición a largo plazo a PM10
Capítulo 5
228
III.II. Informe para la Ciudad de Buenos Aires
Aspectos del monitoreo terrestre
• ¿Cuál es la calidad de la información recolectada por la red de monitoreo?
Se observaron largos períodos de ausencia de mediciones en la base de datos. La estación
de Córdoba tiene el menor número de registros con sólo el 65% de los datos. La mayor
falta de mediciones se dio durante el año 2013, faltando más del 50% de los datos
horarios.
A su vez, se encontró una alta proporción de datos faltantes para los últimos meses de
2015 en todas las estaciones y todos los contaminantes. Esta anomalía resulta llamativa y
alarmante. Como caso particular, las mediciones de PM10 sólo se encuentran disponibles
a partir de 2011.
• ¿Hay redundancia de información entre las estaciones?
Existe una redundancia entre la información recolectada por las estaciones. Sin embargo,
no podemos descartar ninguna estación de monitoreo de la red porque no se repite el
mismo patrón para los distintos contaminantes en la misma estación.
• ¿Cuáles son las características del área de emplazamiento de las estaciones
de monitoreo?
Las 3 estaciones se encuentran dentro del entramado urbano, siendo fuertemente
influenciadas por su entorno.
• ¿Cómo influyen los vientos locales sobre los niveles registrados en las
estaciones?
Buenos Aires presenta una baja variabilidad estacional con una alta humedad relativa a
lo largo de todo el año, lo cual puede afectar el proceso de deposición húmeda, en
particular para PM10. Los períodos de calma prolongados proporcionan una estabilidad
atmosférica que evita la dispersión de contaminantes. En este contexto, se espera que se
produzca una persistencia de los contaminantes a lo largo del día.
• ¿De qué sector del viento llegan las concentraciones mayores?
En general, no hubo sectores que contribuyesen sustancialmente a las concentraciones
medias de las tres estaciones.
En la estación Centenario, las mayores concentraciones de CO y NO2 llegaron con mayor
frecuencia desde el sector NW, con aporte de los sectores N y NE. Mientras que las
principales contribuciones de PM10 para esta estación provinieron de los sectores NW y
SE.
En cuanto a la estación de Córdoba, los mayores aportes de CO provinieron del SE,
mientras que las mayores concentraciones de NO2 y PM10 provienen de NE, E, SE y S.
Finalmente, en la estación de La Boca las mayores concentraciones de CO y NO2
provienen de NW > N > NE. Las concentraciones de PM10 también provienen
mayoritariamente del NW, con contribuciones comparables de los sectores N, NE y SE.
Buenos Aires, Argentina
229
Calidad del aire en los sitios de medición
• ¿Cuáles son los niveles más frecuentes?
Las concentraciones medias de CO fueron iguales para las estaciones de Centenario y
Córdoba las medianas y medias (0.6 ppm) y levemente inferiores para la estación de La
Boca (0.3 ppm). Las concentraciones medias de NO2 están en el rango de 19.6-26.7 ppb,
las esperadas para las zonas urbanas. Con respecto a la mediana de las concentraciones
de PM10, las tres estaciones de monitoreo presentaron resultados cercanos (28.5-30 μg.m-
3).
• ¿La concentración de los contaminantes excede los límites legales?
Las concentraciones medidas están dentro de los límites legales para CABA.
• ¿Los contaminantes medidos ponen en riesgo a la población?
Las concentraciones medias anuales de PM10 superaron el valor recomendado por la OMS
de 20 μg.m-3 para cada año en las tres estaciones de control. Por otro lado, las
concentraciones medias anuales de NO2 también fueron superiores al valor recomendado
(21 ppb) para al menos una de las estaciones en los años 2009, 2010, 2011, 2012, 2013 y
2017.
En cuanto al CO, se vieron tres ocasiones diferentes en las que las concentraciones
superan el valor límite (25 ppm) indicado por la OMS, poniendo en peligro la salud de las
personas expuestas [OMS, 1999]. Estos eventos tuvieron lugar los días 25 y 26 de octubre
de 2010, 23 y 24 de junio y 23 y 24 de diciembre de 2014.
Evolución temporal de los contaminantes
• ¿A cuál hora del día es mayor la concentración de los contaminantes?
Los comportamientos horarios de CO y NO2 presentaron patrones típicos para áreas
urbanas como picos relacionados con el alto flujo vehicular durante el mediodía y la tarde
y pronunciados descensos durante la noche. En el caso de PM10, se observó con mayor
intensidad una capacidad de acumulación de este contaminante. Las concentraciones
aumentaron al principio de la semana, luego se mantuvieron en un promedio de 30 μg.m-
3 los días laborables y disminuyeron en las primeras horas del sábado.
• ¿Las concentraciones máximas varían a lo largo de la semana?
Las concentraciones de NO2 y PM10 disminuyeron para el fin de semana lo cual demuestra
la fuerte vinculación de estos contaminantes al flujo vehicular. Para el CO, la estación de
Córdoba tuvo un fuerte descenso también hacia el fin de semana, a diferencia de las
estaciones La Boca y Centenario que no se vieron influenciadas por los días de la semana.
• ¿Durante cuál época del año ocurren los episodios de máximas
concentraciones?
Se observó un patrón de disminución para las concentraciones de CO y NO2, siguiendo el
orden invierno > otoño > primavera > verano, con diferencias significativas entre ellas
(valor p < 0.001).
Capítulo 5
230
Las concentraciones de PM10 tuvieron un patrón diferente para los promedios
estacionales, con los valores más altos observados en invierno y las concentraciones más
bajas en otoño.
• ¿Cómo han cambiado los niveles de los contaminantes con los años?
La tendencia total en la estación Córdoba fue negativa para PM10 y NO2 y positiva para
CO. Las contribuciones de CO fueron significativas desde el NW y el NE. En la estación
Centenario la tendencia total fue negativa para PM10 y NO2 negativa, y para CO, la
tendencia fue no significativa. Por su parte, en la estación La Boca, la tendencia total fue
no significativa para PM10, mientras que para NO2 fue negativa y para CO fue positiva con
aportes significativos desde el NE, E, SE, S, SW y W.
Las concentraciones medias mensuales de PM10 presentaron una tendencia global a la
baja en las estaciones de Córdoba y Centenario, se observó una tendencia significativa en
aumento en las direcciones NE y E y desde el E para cada una de ellas.
Distribución espacial de los contaminantes
• ¿Se observa un patrón espacial de las concentraciones? ¿Dónde ocurren las
máximas concentraciones?
El patrón espacial cambia a lo largo de los años. Entre 2011 y 2014 las mayores
concentraciones se encontraron al E y SE de la Ciudad de Buenos Aires, mientras en 2015,
2016 y 2017 se ubicaron al NW.
• ¿Cómo es la calidad del aire donde no se mide?
Las simulaciones realizadas muestran que las concentraciones de PM10 aumentan hacia
el N, O y SO del área de estudio.
• ¿La calidad del aire en la región representa un riesgo para la población?
La calidad del aire ha mostrado ser dañina para personas sensibles. La fracción atribuible
de muerte por exposición a PM10 se ubica en el rango de 0.015 a 0.02 a lo largo del período
de estudio. Esto implica entre un 1.5 - 2% de muertes atribuibles del total de muertes
producidas.
Caso de aplicación III
La Plata, Argentina
Capítulo 5
234
“Los hechos son inciertos, los valores son discutibles, la relevancia es alta, las decisiones son urgentes.”
Funtowicz & Ravetz (1991)
Introducción
Como vimos en el caso de aplicación anterior, Argentina cuenta con un somero monitoreo de la
calidad del aire centralizado en la ciudad de Buenos Aires. En el año 2018 se incorporó una nueva
estación de monitoreo automático de calidad de aire en la Ciudad de Córdoba, lugar que ha sido
monitoreado de forma interrumpida en la última década. A esta escueta red se le suma la
información que publican 2 de los polos petroquímicos más grandes del país (Dock Sud y Bahía
Blanca), ubicados en la Provincia de Buenos Aires.
La Plata, a diferencia de los casos anteriores, no presenta un monitoreo diario de la calidad del
aire. Únicamente se cuenta con las mediciones que el equipo del Centro de Investigaciones del
Medioambiente (CIM, UNLP-CONICET) ha podido recolectar mediante un monitoreo manual,
que se ha intentado sostener a lo largo de los años de forma periódica.
El caso de La Plata se presenta como un ejemplo representativo de la situación de la mayoría de
las ciudades del mundo, como afirma la OMS [World Health Organization, 2019], donde no se
cuenta con información de la calidad del aire. Obtener mapas de los contaminantes del aire y del
riesgo asociado en esta ciudad fue el objetivo motor de esta tesis, ya que resulta inminente contar
con información respecto a la calidad del aire que se respira. En ese sentido, este capítulo avanza
sobre las expectativas sembradas hace 4 años atrás, cuando se buscó desde la ciencia y la
tecnología saldar una deuda pública.
La falta de inversión durante años hizo que desde la ciencia se busque completar aquello que
desde la administración estatal no se pudo proveer: información confiable para evaluar el riesgo
de la población a la exposición de contaminantes atmosféricos. Más allá del esfuerzo que
acompañó este proceso, parte del aprendizaje ha sido que para poder completar un análisis de
calidad de aire se precisan datos completos y confiables.
A continuación, se aplica la metodología propuesta para el estudio de la calidad del aire en el
Partido de La Plata. Se trabajó con las mediciones de PM10 mediante monitoreo manual y con los
modelos generados para la Ciudad de Buenos Aires. A diferencia de los casos anteriores no se
cuenta con datos de otros contaminantes.
La Plata, Argentina
235
Aplicación de la metodología
Módulo I - Etapa de diseño del análisis
I.I. Definición y caracterización del área de estudio
El área del Gran La Plata se encuentra integrada por los partidos de Berisso, Ensenada y La Plata,
en el noreste de la provincia de Buenos Aires, a 50 km al sureste de la Ciudad Autónoma de Buenos
Aires (Figura 124). Esta región se encuentra en la margen sur del estuario del Río de la Plata,
extenso cuerpo de agua con forma de embudo que tiene 300 km de largo en dirección NW-SE y
anchos de 200 (límite exterior) y 40 km (límite interior). La Plata, ciudad capital de la Provincia,
junto a las localidades adyacentes, alberga una población superior a los 800 mil habitantes
[INDEC, 2010].
Diferentes trabajos científicos han demostrado que se exceden en la región los valores
recomendados por la OMS para el material particulado (20 y 10 µg.m-3 para PM10 y PM2.5,
respectivamente), y que se presentan distintos compuestos orgánicos volátiles en diferentes
grados de concentración [Colman et al., 2014; Orte et al., 2015]. También, se cuenta con estudios
de efectos a la salud [Whichmann et al., 2009; Colman Lerner et al., 2014]. Pese a esto, no existe
un monitoreo continuo de la calidad del aire por fuera del monitoreo que realiza el Polo
Petroquímico como control interno y por expreso pedido del Organismo Provincial de Desarrollo
Sostenible (OPDS), datos que no son de acceso público.
Capítulo 5
236
Figura 124. Los partidos de La Plata, Berisso y Ensenada componen el área del Gran La Plata
Relevamiento de fuentes
En el área central del conglomerado urbano, entre los Partidos de La Plata, Berisso y Ensenada,
se encuentra un complejo petroquímico que posee la principal refinería de petróleo del país, con
los mayores volúmenes de producción a nivel nacional (38 mil m3 de petróleo refinado por día)
[Represa et al., 2016]. Este complejo incluye también seis plantas petroquímicas, con una
producción superior a las 650 mil Tn por año de diversos compuestos tales como compuestos
aromáticos (benceno, tolueno, xilenos), disolventes alifáticos (n-pentano, n-hexano, n-heptano),
polipropileno, anhídrido maleico, ciclohexano, metanol y coque de petróleo [Giuliani et al., 2017].
En zonas aledañas al complejo petroquímico se halla la central termoeléctrica “Central Térmica
Ensenada de Barragán”. Esta central tiene una capacidad de generación de 560 MW y es una de
las grandes generadoras de energía eléctrica del país [Ratto, 2016]. La inauguración de la primera
turbina se realizó en enero del 2012 y fue habilitada para operar comercialmente en abril del
mismo año.
Sobre la vera del Río, se encuentran una empresa siderúrgica de gran envergadura, un astillero y
un puerto con gran movimiento naviero, junto con un conjunto de industrias de distintos rubros.
El Puerto de La Plata es un puerto fluvial dedicado preponderantemente al transporte de cargas
con potencial importancia para el Mercosur. Parte de este puerto está compuesto por el Astillero
Río Santiago, uno de los más grandes de América Latina [ARS, 2015], dedicado a la construcción
de barcos mercantes y de guerra, así como de material ferroviario.
La Plata tiene una alta densidad de población con la mayor tasa automóvil por persona de
Argentina (1 automóvil cada 2 personas). El centro de la ciudad se caracteriza por el tráfico
intenso, con un aumento del número de rodados cerca del 75% en la última década [Massolo et
al., 2010].
La Plata, Argentina
237
Características meteorológicas
El clima del Gran La Plata es de tipo templado-húmedo, con precipitaciones medias anuales de
1079 mm. año-1, humedad relativa del 77% y temperatura media de 15°C [Kruse et al. 2014]. Según
la clasificación de Köppen-Geiger, el área presenta un clima templado (C), subtropical, sin
estación seca (pampeano) y con veranos cálidos (fa). De acuerdo con la clasificación en el sistema
de Thornthwaite el clima es húmedo (B2) y microtermal (C’2), con valores de evapotranspiración
mayores a 570 mm [Fucks et al., 2017].
Las temperaturas medias anuales se encuentran entre los 18ºC en el norte de la región y 16.7ºC
en el sur, con precipitaciones total anuales de alrededor de 1.000 mm [Barros et al., 2005]. Las
precipitaciones tienen su máximo durante el verano y su mínimo durante el invierno.
Por su parte, las circulaciones eólicas dependen principalmente del anticiclón subtropical del
Océano Atlántico Sur. La ubicación de este sistema de alta presión cambia durante el año al mismo
tiempo que interactúa con diferentes centros ciclónicos a lo largo del territorio argentino, esto
produce que en invierno la dirección media del viento sea NW mientras que en verano E-NE. El
ciclo anual implica una rotación en el sentido de las agujas del reloj a través de las cuatro
estaciones, desde el invierno hasta el verano [Barros et al., 2005].
Geografía del área
La ciudad de La Plata se encuentra ubicada en la Región Pampeana, en el extremo oriental de la
Pampa Deprimida [Frenguelli, 1950]. Es una planicie de escasa pendiente con paisaje de llanura
caracterizado por su bajo relieve.
Los partidos de La Plata, Berisso y Ensenada se encuentran ubicados en dos unidades
geomorfológicas bien diferenciadas: la planicie continental, desarrollada al SW, también
denominada zona interior [Fidalgo y Martínez 1983] y la planicie o llanura costeras marginal, al
noreste [Fidalgo y Martínez, 1983; Cavallotto, 1995].
La planicie continental es la zona con mayor desarrollo urbanístico y productivo de la región,
donde la altura promedio sobre el nivel del mar es mayor (un máximo de 50 msnm al oeste del
Partido de La Plata) y se alcanza una pendiente media de ~0.27% [Fucks et al., 2017].
Marco normativo
Como se mencionó en el capítulo anterior, en Argentina, el dominio sobre el ambiente y los
recursos naturales recae en las Provincias. Son estas quienes tienen como obligación controlar el
impacto ambiental de todas las actividades que perjudiquen al ecosistema; promover acciones
que eviten la contaminación del aire; garantizar el derecho a solicitar y recibir la adecuada
información y participar en la defensa del ambiente, de los recursos naturales y culturales, entre
otras.
Recientemente el Organismo Provincial de Desarrollo Sostenible de la Provincia de Buenos Aires
(OPDS), actualizó los niveles guías para contaminantes específicos mediante el Decreto N°
Capítulo 5
238
1.074/188 que reglamenta la Ley N°5.965/58. El mismo es objeto de controversias, dado que si
bien incorpora el PM2.5 al grupo de los contaminantes regulados, plantea un esquema menos
restrictivo que el decreto anterior para las diferentes emisiones.
Respecto a los valores norma para los estándares de calidad de aire, se fijaron etapas de reducción
progresiva a los 2, 3 y 4 años de publicado el Decreto, pudiendo la Autoridad de Aplicación
prorrogar la entrada en vigor de alguna de las etapas detalladas. Para PM10 se fijó un límite a las
24hs de 150 μg.m-3 para no ser superado en más de una vez al año, y una concentración media
anual de 50 μg.m-3 para todas las etapas.
I. II. Determinación de los objetivos
La falta de información limita los objetivos que se pueden abordar en el caso del Gran La Plata.
En función de esta falta de información, se pueden abordar solamente los siguientes objetivos:
• Caracterizar aspectos del monitoreo terrestre
Describir los sitios en donde se ha monitoreado y las técnicas utilizadas. Analizar la influencia del
área de monitoreo sobre las mediciones realizadas.
• Conocer la evolución temporal de los contaminantes
Evaluar la variación de las concentraciones a lo largo de los años. Estudiar las variaciones
interanuales.
• Evaluar la distribución espacial de los contaminantes
Identificar las zonas donde se producen las máximas concentraciones y estudiar si las mismas
cambian en el tiempo. Estudiar mediante mapas de concentración si las zonas donde no se
monitorean presentan concentraciones elevadas. Determinar la calidad del aire y si la población
se ve expuesta a un riesgo.
I.III. Delimitación de las preguntas de estudio
Las preguntas planteadas para este caso de estudio son:
Caracterizar aspectos del monitoreo terrestre
¿Cuáles son las técnicas utilizadas para el monitoreo?
¿Cuáles son las características del área de emplazamiento de las estaciones de
monitoreo?
Conocer la evolución temporal de los contaminantes
¿En cuál época del año ocurren los episodios de máximas concentraciones?
¿Cómo han cambiado los niveles de los contaminantes con los años?
Evaluar la distribución espacial de los contaminantes
¿Dónde ocurren las máximas concentraciones?
¿Se observa un patrón espacial de las concentraciones?
La Plata, Argentina
239
¿Cómo es la calidad del aire donde no se mide?
¿La calidad del aire en la región representa un riesgo para la población?
I. IV. Adquisición de los datos
La información disponible para la ciudad de La Plata y sus zonas aledañas es realmente limitada.
La municipalidad de La Plata no realiza mediciones de la calidad del aire, y el OPDS no brinda
información respecto a los contaminantes que monitorea o supervisa, su lugar de medición,
técnicas utilizadas, ni sitio de emplazamiento. Solamente, se cuenta con las mediciones periódicas
que realiza el Centro de Investigación del Medio Ambiente (CIM, CONICET-UNLP) en distintos
puntos de la ciudad, las cuales son objeto de estudio para distintas líneas de investigación. A partir
de esas campañas se desprenden varios trabajos que dan cuenta del alto impacto sobre la salud
de la población que genera la contaminación de la región [Massolo et al., 2010].
En vistas a generar mapas de calidad del aire y mapas de riesgo para esta región, se procedió a
solicitar los resultados de las distintas campañas realizadas. A su vez, por la cercanía a la Ciudad
de Buenos Aires se utilizaron las imágenes satelitales calibradas en el CEILAP y el modelo espacial
para PM10 generado en el Capítulo 6.
Teledetección y datos de monitoreo satelital
Dado que la ciudad de La Plata no cuenta con un fotómetro en sus cercanías para la validación de
las imágenes satelitales, se utilizaron las imágenes MCD19A2 Versión 6 calibradas en el CEILAP
de Buenos Aires (Capítulo 6). Como se mencionó anteriormente este producto satelital
implementa el algoritmo MAIAC en una cuadrícula con una resolución de 1 km por píxel. Se
descargaron en formato TIF un total de 12055 imágenes para el período comprendido entre 2009-
10-01 y 2017-10-01. El sistema de referencia utilizado fue WGS84.
Datos de monitoreo terrestre
Para evaluar el ajuste del modelo confeccionado para la Ciudad de Buenos Aires en la localidad
de La Plata se utilizaron las mediciones realizadas en el marco de la tesis doctoral de la Lic.
Daniela Giuliani. Estas mediciones se realizaron en distintos períodos comprendidos entre el
11/2011 al 10/2017, contándose con un total de 30 mediciones de PM10.
Los sitios de monitoreo fueron variando a lo largo de los años, centrándose en el área urbana y en
el área industrial en las proximidades del Polo Petroquímico (Figura 125). Se utilizó un equipo
muestreador de MP de bajo volumen MiniVol TAS (Airmetrics), a un flujo constante de 5 l.min-1,
con una duración de 3 días y se utilizaron filtros de politetrafluoroetileno (PTFE) como medio
colector. La razón de la extensión del muestreo es obtener una masa crítica medible por
gravimetría [Colman-Lerner et al., 2011].
Capítulo 5
240
Figura 125. Sitios de monitoreo en La Plata. Se observan
en amarillo los sitios de monitoreo urbanos y en rosa el sitio
de moniteo industrial.
Datos meteorológicos
Los datos meteorológicos abarcan el período 2010-2018 y fueron proporcionados por el Servicio
Meteorológico Nacional (SMN) bajo solicitud. Los datos consisten en promedios horarios de las
direcciones, velocidades y calmas del viento. El sitio de medición corresponde al Aeropuerto de
La Plata (zona rural) que se encuentra a unos 8 km del centro de la ciudad, a 36 msnm.
La Plata, Argentina
241
Módulo II - Etapa de procesamiento
II. I. Preparación de los datos y selección de algoritmos
Para esta zona se trabajó con los mapas de concentración de PM10 elaborados en el Capítulo 6 para
la Ciudad de Buenos Aires. Dadas que son las únicas mediciones que se cuentan para la región de
estudio, se utilizaron las mediciones realizadas de forma manual por el equipo del CIM para
evaluar el ajuste del modelo a esta región. Las métricas utilizadas fueron el RMSE y el MAE.
Gracias a la información suministrada por el SMN, se analizaron los vientos predominantes en la
región utilizando rosas de vientos. A su vez, se realizó un análisis descriptivo de la evolución de la
concentración de PM10 en los distintos sitios monitoreados.
El cálculo del riesgo relativo (RR) por todas las causas de muerte por exposición a corto plazo de
PM1o y de la fracción atribuible de muertes (FAM) para todas las edades se realizó mediante la
metodología descrita en la propuesta metodológica.
Capítulo 5
242
Módulo III - Etapa de comunicación de los resultados
III.I. Análisis de los resultados
Tal como puede observarse en la Figura 126, los vientos en la región son leves -moderados, con
un 8.7% de calma en todo el año y vientos medios de 3.25 m.s-1.
Figura 126. Rosa de Vientos estacional. Frecuencia de la dirección del viento en %
La frecuencia de los vientos NE, S y N son muy elevadas respecto al resto de las direcciones a lo
largo de las estaciones del año, diferente a las direcciones señaladas para otros sectores de la
ciudad en [Ratto et al., 2012]. Según [Barros et al., 2005], estas tres direcciones del viento son
originadas por el flanco oeste del anticiclón subtropical del Océano Atlántico Sur.
La Plata, Argentina
243
El área de estudio es una amplia llanura con leves variaciones en el terreno, donde la única fuente
significativa de variabilidad atmosférica local es el contraste de temperatura entre el suelo y la
superficie del Río de la Plata [Ratto et al., 2010]. Si bien se espera que la brisa marina se produzca
entre NNW y ESE (en el sentido de las agujas del reloj) dentro de un ciclo diurno y que su
influencia sea pronunciada durante el verano debido al mayor contraste de temperatura entre las
superficies [Ratto et al., 2012], esto no se observa en los datos registrados por la estación
meteorológica ubicada a 12 km de la costa.
Durante la noche el viento E es más frecuente (Figura 127), esto puede ser atribuible a la brisa
terrestre porque esta dirección del viento es algo perpendicular a la costa. Durante las primeras
horas de la mañana la frecuencia el viento E disminuye, aumentando la influencia de los vientos
meridionales alcanzando un máximo pasado el mediodía.
Figura 127. Rosa de vientos diario. Frecuencia de la dirección del viento en %
Para este trabajo se contó con las mediciones realizadas a lo largo del período comprendido entre
el 11/2011 al 10/2017 mediante un método de monitoreo discreto, el cual permite conocer la
concentración diaria promedio de material particulado tras 3 días de medición. En la Tabla 22
pueden observarse los estadísticos descriptivos de las concentraciones de PM10 registradas.
Tabla 22. Análisis descriptivo de las concentraciones de PM10 medido en La Plata
Sitio n min media mediana máximo
Industrial 12 14.4 44.7 46.4 69.4
Urbano 18 13.9 33.8 26.3 65.6
La distribución de las mediciones no es heterogénea en todo el período. Se cuenta con pocas
mediciones para 2011 (n = 1), 2012 (n = 3) y 2013 (n = 2). A su vez, se encuentran algunos
meses infrarrepresentados (enero 1, febrero 2, diciembre 1, agosto = 1, septiembre = 1). Esto
imposibilita sacar conclusiones respecto a tendencias inter o intra-anuales.
Capítulo 5
244
Como las mediciones se realizaron en 2 sitios bien diferenciados como industrial y urbano, se
evaluó el efecto del área circundante sobre las concentraciones analizando su varianza. El análisis
ANOVA no mostró que haya efectos significativos del sitio de estudio sobre los niveles medidos
en ese período de estudio, aunque puede verse una tendencia a presentar mayores niveles en el
área industrial (Figura 128).
Figura 128. Boxplot de las mediciones realizadas de PM10 para La Plata.
Evaluación de los mapas de concentración de PM10
Para corroborar el ajuste del modelo realizado con las mediciones históricas de la Ciudad de
Buenos Aires en la ciudad de La Plata, se utilizaron las mediciones del monitoreo discreto. Como
se mencionó anteriormente, con el monitoreo discreto se obtiene una concentración promedio de
los días que llevó la medición. Por tanto, fue necesario condensar los valores modelados para cada
día que duró el monitoreo en un único estadístico descriptivo.
De las 30 mediciones con las que se contaba, solo 26 mediciones coincidieron con al menos una
imagen completa del modelo de PM10 realizado para el área metropolitana de Buenos Aires. En
estos casos, se extrajo el valor máximo y el valor promedio de la serie temporal para el sitio donde
se realizó el monitoreo discreto. De esta forma se obtuvo un set de datos con los máximos y los
promedios de las mediciones modeladas de PM10 en cada sitio donde se midió PM10 en la ciudad
de La Plata.
Como primer paso se analizaron las correlaciones entre los valores máximos y los valores
promedios simulados con las mediciones. La correlación no fue significativa con las medias
modeladas, pero sí con las concentraciones máximas de PM10 (r = 0.45, p < 0.05).
En la Figura 129 se puede ver el gráfico de dispersión entre las concentraciones predichas y las
realizadas. El ajuste para el conjunto de datos resultó en un RMSE = 18.7 μg.m-3 y MAE = 14.9
μg.m-3, valores considerablemente mayores que la validación obtenida en Buenos Aires. A su vez,
el MAPE fue del 41.5% sobre los datos observados.
La Plata, Argentina
245
Figura 129. Ajuste del modelo respecto a mediciones
Al analizar por categorías se observan ciertas diferencias entre los sitios de monitoreo. El modelo
presenta un mayor error (RMSE = 21.3 μg.m-3, MAE =17.2 μg.m-3) en la zona industrial, mientras
que en la zona urbana estos errores se reducen (RMSE = 16.5 μg.m-3, MAE = 13.3 μg.m-3). Esto
nos indica que la representatividad es mejor en áreas similares a las empleadas para la confección
del modelo. Sin embargo, se realizó una prueba ANOVA para evaluar si el sitio ejerce efectos sobre
el error, y se observó que los mismos no son significativos (F = 0.712, df = 1, p-valor > 0.4).
Por otra parte, cabe recordar que el método empleado en el monitoreo de la ciudad de La Plata es
un método discreto, donde la medida obtenida resulta de la integración de lo observado a lo largo
de varios días (entre 2 y 4 días). Este método es distinto al empleado para las mediciones de PM10
en Buenos Aires pudiendo haber diferencias entre las técnicas empleadas.
A su vez, los datos ingresados en el modelo obedecen a las condiciones atmosféricas de una
ventana temporal próxima al paso de los satélites, las cuales no son constantes a lo largo del
día. Por el contrario, la variación diaria puede ser amplia. Por ejemplo, en la Figura 130 se
observan los niveles modelados para 3 fechas consecutivas en las que se registró 68.77 μg.m-3 y
59.54 μg.m-3 en el monitoreo discreto para el área industrial y urbana (estas fechas presentan el
mayor error entre el modelo y las mediciones). Si bien el modelo da cuenta de las altas
concentraciones al segundo día, es factible imaginar que los máximos niveles ocurrieron entre los
momentos modelados.
Figura 130. Variación al cabo de tres días de medición con el equipo discreto.
Capítulo 5
246
Por otra parte, faltaron salidas diarias del modelo para todos los períodos en que se produjeron
las mediciones de PM10. En algunos casos se contó solo con una única imagen para los días que se
realizaron mediciones. En la Figura 131 se puede observar la variación del error en función del
número de salidas del modelo de PM10 incluidas en la confección de la media. Si bien se observa
que existen diferencias en la variación del error de las estimaciones cuando se utilizan distinto
número de imágenes, estas diferencias no son significativas (F = 1.39, df = 3, p-valor >0.27).
Figura 131. Variación del error respecto a la cantidad de
imágenes utilizadas para confeccionar la media
Como antecedente en esta área de estudio, cabe mencionar el sistema de modelado
WRF/CALMET/CALPUFF aplicado por [Allende et al., 2016]. Este modelo fue realizado en
función de un inventario de emisiones generado para la ciudad presentando muy bueno
resultados: se obtuvo un RMSE = 9 μg.m-3, mostrando ligeras sobreestimaciones de las
concentraciones de PM10. Sin embargo, los autores señalaron que posiblemente existan fuentes
no contempladas en el inventario, ya que en uno de los sitios de control se subestimó la
concentración de PM10. Resultaría interesante incorporar la salida simulada de este modelo como
fuente de información a una nueva simulación sobre el área.
Variación temporal de PM10
De las concentraciones modeladas, no se observó un efecto significativo de los sitios, pero sí se
observaron efectos por el factor mes (df = 11, F = 44.5, p-valor < 0.05), año (df = 8, F = 39.0, p-
valor < 0.05) y una interacción entre mes-año (df = 74, F =12.8, p-valor < 0.05). Se detectó una
tendencia estacional con un aumento de las concentraciones durante los meses fríos (junio, julio)
y con una disminución de los valores en los meses más cálidos (noviembre, diciembre) (Figura
132). Esto había sido señalado con anterioridad por [Bilos et al., 2001].
La Plata, Argentina
247
Figura 132. Boxplot mensuales de PM10 simulado para todo el período en las
estaciones urbanas.
Finalmente, se analizó la tendencia de las mediciones modeladas mediante el método de Theil-
Sen. Los resultados indicaron que la tendencia es no significativa para el sitio en el caso urbano y
para el área industrial.
Variación espacial de PM10
En la Figura 133 se pueden ver los mapas de las concentraciones medias anuales de PM10 para
el área del Gran La Plata. Como se veía en el caso anterior, las concentraciones son mayores los
años 2011 y 2012. A su vez, se observan mayores niveles de PM10 en las áreas costeras de Berisso
y Ensenada.
Capítulo 5
248
Figura 133. Mapas de concentraciones medias anuales de PM10
En la Figura 134 se observan las concentraciones medias modeladas para el área del Gran La
Plata en el año 2017. El MAPE fue menor este año para el área industrial (29.6%) por sobre el área
urbana (47.2%), disminuyendo sustancialmente el error del modelo respecto a las mediciones
realizadas. En esta figura se puede ver claramente la mayor afectación del área costera, en
particular las localidades de Berisso y Ensenada, sobre la calidad del aire en el sector N de La
Plata.
Figura 134. Mapa de la concentración media anual de PM10 para el año 2017
La Plata, Argentina
249
Al analizar las concentraciones máximas modeladas para cada año se observaron áreas que
alcanzan los 120 μg.m-3 entre 2011 y 2014 (Figura 135). Resulta interesante analizar el origen de
estos altos niveles, para identificar las fuentes de emisión y prever su impacto.
Figura 135. Mapas de concentraciones máximas anuales de PM10
Mapas de calidad del aire, de riesgo y de FAM por exposición a PM10
Para la elaboración de mapas de riesgo se calculó la concentración media de PM10 en cada partido.
En la Figura 136 se observa que los rangos de concentraciones medias anuales modeladas se
encuentran por encima de los 10 μg.m-3 recomendados. Las ciudades más afectadas son las
ubicadas al N y NW de la La Plata.
Capítulo 5
250
Figura 136. Mapas de concentraciones media anual de PM10 promediada por ciudad
Como siguiente paso se confeccionaron los mapas de calidad del aire. Tal como puede ver en la
Figura 137, la calidad del aire para el Gran La Plata durante el 2017 representa un potencial daño
para las personas sensibles.
Figura 137. Mapas de calidad del aire en el Gran La Plata durante el 2017
La Plata, Argentina
251
En base a estos resultados se estimó el riesgo relativo de muerte por exposición a PM10. El riesgo
relativo se calculó como:
𝑅𝑅 = 𝑒𝛽 (𝑋− 𝑋0)
donde β = 0.0008 para todas las causas de muerte para todas las edades y x0 = 10 μg.m-3 de PM10.
Para todos los años se observó un riesgo relativo constante de 1.02 para el Gran La Plata.
Finalmente, la Figura 138 muestra un mapa de la fracción atribuible de muertes prematuras por
exposición a largo plazo a PM10. Se observa que la FAM varía entre 0.015 y 0.02 para toda la
región, esto es entre un 1.5% y un 2% de las muertes son atribuibles a la contaminación del aire,
viéndose más afectada la localidad de Ensenada y el área costera sobre el resto.
Figura 138. Mapa de la fracción atribuible de muertes prematuras por exposición a largo plazo a PM10
Capítulo 5
252
III.II. Informe para La Plata
Caracterizar aspectos del monitoreo terrestre
• ¿Cuáles son las técnicas utilizadas para el monitoreo?
Se realiza un monitoreo discreto el cual cuenta con un equipo muestreador de PM de bajo
volumen MiniVol TAS (Airmetrics), que mide a un flujo constante de 5 l.min-1, a lo largo
de 3 días. La técnica es gravimétrica, por diferencia de pesadas. El PM se recolecta en
filtros de politetrafluoroetileno (PTFE) que actúa como medio colector.
• ¿Cuáles son las características del área de emplazamiento de las estaciones
de monitoreo?
El monitoreo de la calidad del aire se realizó en sitios diferenciados como urbanos
industriales. Sin embargo, no se observaron diferencias significativas entre los sitios de
monitoreo.
Conocer la evolución temporal de los contaminantes
• ¿Durante cuál época del año ocurren los episodios de máximas
concentraciones?
En base a las modelaciones de PM10 se pudo observar que las concentraciones mayores se
registraron en los meses fríos.
• ¿Cómo han cambiado los niveles de los contaminantes con los años?
No existen tendencias significativas en las concentraciones modeladas de PM10. Sin
embargo, se registraron evidencias del fenómeno de erupción del volcán ocurrido en 2011.
Evaluar la distribución espacial de los contaminantes
• ¿Dónde ocurren las máximas concentraciones?
Las máximas concentraciones se registran en los partidos de Ensenada y Berisso.
• ¿Se observa un patrón espacial de las concentraciones?
La concentración modelada de PM10 disminuye hacia el sur del Partido de La Plata.
• ¿Cómo es la calidad del aire donde no se mide?
La calidad del aire modelada alcanza los niveles de dañina para personas sensibles.
• ¿La calidad del aire en la región representa un riesgo para la salud de la
población?
Sí, las concentraciones modeladas indicaron un nivel de riesgo relativo constante de 1.02
para el Gran La Plata, con un FAM entre 0.015 y 0.02 para toda la región.
254
“Don’t be afraid to start, and don’t be afraid to finish”
Schabenberger & Pierce, 2002.
Conclusiones generales
En la gestión, la administración pública se enfrenta a diferentes retos a la hora de llevar a cabo
estudios sobre la calidad del aire: un conocimiento limitado de la literatura científica actualizada,
deficiencias en la integración de información de distintas fuentes, dificultad para abordar la gran
cantidad de datos e informar de forma concluyente. La constitución de una metodología de
análisis de los datos de calidad del aire aporta una nueva mirada a un problema complejo.
En esta tesis se propuso una metodología para el estudio y la evaluación de la calidad del aire.
Tomando el enfoque de la ciencia de datos se presentó un proceso para la identificación de fuentes
de datos, selección de objetivos y preguntas de estudios, una serie de algoritmos y métodos para
su abordaje y análisis, junto a una forma sintética de comunicación de resultados.
La metodología desarrollada se encuentra divida en 3 módulos: diseño del análisis, procesamiento
y comunicación. Cada módulo se compone por una serie de tareas y pasos que completan una
unidad independiente del proceso. Cada unidad puede ser pensada de forma independiente, ya
sea en períodos de tiempo espaciados o realizada por diferentes usuarios.
Se trabajó con un enfoque lineal para el proceso completo, incluyendo un enfoque circular en el
primer módulo (diseño del análisis). Como ventaja, este enfoque permitió estructurar y organizar
el análisis, ya que los pasos del proceso se organizan en un orden fijo. Una posible desventaja es
que la naturaleza paso a paso puede limitar la profundización de los análisis, centrándose
demasiado en cumplir con la etapa y perdiendo el objetivo central del proceso. Para evitar esto,
se reforzó la idea de trabajar con preguntas orientativas que se propongan en el primer módulo
(módulo recursivo) y que conduzcan los siguientes.
El enfoque cíclico del primer módulo proporciona orden y flexibilidad a la naturaleza de la toma
de decisiones y también incluye más y diferentes tipos de decisiones que pueden tomarse. Si bien,
existe un enfoque secuencial, existe la posibilidad de "aprender haciendo" y mejorar el proceso
antes de pasar al siguiente módulo [MSHS, 2016].
Con respecto a la etapa del diseño del análisis, se observó que la utilización de preguntas de
investigación simplificó notablemente la selección de algoritmos para el análisis y el abordaje de
la interpretación de los resultados. A su vez, permitió diferenciar las preguntas que fueron
originarias del estudio de aquellas que surgieron tras el análisis de los datos. Esto concuerda con
Conclusiones generales
255
[Wentz et al., 2014], quienes señalaron que el uso de bases de datos de gran tamaño plantea como
principal reto la extracción de información útil, precisa y concisa del mar de datos del Big Data.
La gran limitación para el análisis de la calidad del aire resultó la falta de mediciones sistemáticas
de los contaminantes atmosféricos. Los datos que se incluyeron en el análisis fueron seleccionados
por su disponibilidad como por la calidad que presentaron. La mayor dificultad fue trabajar en
ausencia de datos (La Plata) o con pocos datos disponibles de calidad baja (Buenos Aires). A su
vez, la recolección de datos resultó un proceso laborioso, ya que los datos se encontraron de
muchos tipos diferentes y de una amplia variedad de fuentes (ver Capítulo III, Sección I. IV).
Los datos masivos e interconectados fomentan la investigación interdisciplinaria, ya que están
menos limitados por el marco teórico inicial. A lo largo de este trabajo, hemos visto que desde la
ciencia de datos es posible explorar, extraer valor y darles sentido a los datos, permitiendo generar
modelos y teorías más holísticas y extensas de sistemas complejos como la atmósfera y la calidad
del aire. Sin embargo, este análisis requiere una gran cantidad de datos, y los costos asociados y
la capacidad requerida para adquirirlos son altos.
La forma de acceso a las mediciones de calidad de aire ha sido distinta en cada caso de estudio.
Para Buenos Aires, la serie completa de datos se encontraba para su libre descarga, mientras que
para Valencia se precisó realizar una extracción (web scraping) de la web oficial para obtener la
base de datos histórica. En el caso de La Plata, donde el municipio no asume la tarea de
monitorear la calidad del aire, ha sido la universidad e instituciones de investigación quienes
desarrollaron las mediciones que se utilizaron en este estudio.
Con esta metodología se pudo procesar la información recolectada por las 60 estaciones de la
Comunidad Valenciana. Se analizaron distintos aspectos de la red de monitoreo y la calidad de los
datos recolectados. A su vez, estas mediciones se integraron con los datos del re-análisis
atmosférico MERRA-2 y datos de uso de suelo para generar un muy buen modelo de PM2.5 (MAPE
15%). En base a este, se obtuvieron mapas de calidad del aire, de riesgo y de la fracción atribuible
de muerte por exposición a este contaminante.
Entre los resultados más relevantes cabe mencionar la redundancia de mediciones entre las
estaciones, la falta de mediciones de contaminantes relevantes en sitios fuertemente afectados
por la contaminación antropogénica (estación Moli) y una ausencia de control en localidades que
se ven afectadas con una inferior calidad del aire, como es el caso de Elche o Benidorm.
En la Ciudad de Buenos Aires, nuestro segundo caso de estudio, se contó solo con datos de 3
estaciones de monitoreo continuas inmersas en el tejido urbano las cuales midieron PM10, NO2 y
CO. Utilizando la metodología propuesta se observaron concentraciones elevadas de PM10 (con
una media de 30.0 μg.m-3, 28.5 μg.m-3 y 29.3 μg.m-3 para Centenario, Córdoba y La Boca,
respectivamente) para todo el período y la ocurrencia de eventos extremos alarmantes de CO
(concentraciones superiores a 40 ppm). Al analizar las tendencias históricas, el NO2 disminuyó
en todos los casos, no así el PM10 y el CO que en algunas estaciones la tendencia no fue significativa
o aumentó con los años.
En base a los datos satelitales se confeccionó un modelo de PM10 para el Área Metropolitana de
Buenos Aires que presentó un R2 = 0.96, un RMSE de 10.16 μg.m-3 y un MAPE del 24%.
Analizando los errores, se observó que el modelo tiene un sesgo negativo, subestimando la
situación de riesgo a la cual se encuentra expuesta la población. En base a nuestras estimaciones,
la calidad del aire fue dañina en Buenos Aires para las personas sensibles en el período de estudio,
Capítulo 7
256
donde el riesgo relativo fue del 1.02 y la fracción atribuible de muerte entre el 1.5-2%. En este
sentido, resulta alarmante la falta de un mayor control de la calidad del aire, en particular en los
municipios en la zona norte y noroeste de la Ciudad de Buenos Aires.
Por último, en La Plata se observó que la falta de datos locales imposibilita el desarrollo de
modelos espaciales mediante técnicas estadísticas. En base a esto, la aplicación de la metodología
se limitó al análisis de los datos meteorológicos y a la validación de la simulación realizada para
la Ciudad de Buenos Aires a 50 km de nuestro sitio de estudio. A su vez, al no existir ningún tipo
de monitoreo continuo, la validación del modelo debió realizarse con mediciones integradas en el
tiempo (monitoreo discreto). Con estas consideraciones, la validación del modelo dio un RMSE =
18.7 μg.m-3, un MAPE = 41.5% y presentó una marcada subestimación de las concentraciones de
PM10 modeladas.
Los mapas obtenidos para La Plata mostraron que la calidad del aire es dañina para las personas
sensibles, generando una gran intraquilidad sobre las condiciones a las cuales está expuesta la
población. En tal sentido, la falta de información es preocupante. El Partido de La Plata está
situado en una zona donde la atmósfera tiene una baja capacidad de autolimpieza, principalmente
durante el otoño y el invierno [Gassmann & Mazzeo, 2000; Ratto et al. 2018], y donde distintos
estudios han mostrado efectos sobre la salud de la población [Wichmann et al., 2009].
Como una última cuestión, resulta importante remarcar que la escasez de información se produce
en un momento en que las instituciones estatales requieren más que nunca información para
comprender los efectos ambientales locales de la urbanización, el cambio ambiental global y los
efectos de la vida urbana en el bienestar humano. Los recientes llamamientos a favor de una
"ciencia de la urbanización" hacen hincapié en la necesidad de enfocar la escala de trabajo en lo
local para atender los cambios que se producen por el creciente fenómeno de urbanización
[Solecki et al., 2013]. En esta escala de trabajo, hemos visto que la teledetección puede
proporcionar versátiles herramientas para su análisis, proveyendo una visión amplia de los
niveles de los contaminantes en el aire urbano y su transporte en la atmósfera.
Sin embargo, si bien las concentraciones de algunos contaminantes pueden modelarse mediante
el uso de variables medidas por sensores remotos u otras técnicas innovadoras, aún se precisan
de las mediciones de campo para validar las simulaciones [Grey et al., 2013]. Mientras los
parámetros de calidad de aire se confeccionen en función de las concentraciones másicas de
inmisión, no será factible el reemplazo de las mediciones locales por instrumental remoto, aunque
puede complementar como se ha visto en este trabajo.
Esto pone en foco las implicancias que tienen las decisiones de gestión y planificación urbana en
la salud de la población. Es imperativo que rechacemos la creencia de que los desafíos ambientales
y de salud que enfrentamos son el resultado de elecciones personales llevadas de forma individual.
Las opciones de estilo de vida no surgen en el vacío y son temas legítimos para el debate
democrático y la acción gubernamental [World Health Organization, 2015]. Frente al cambio
climático que nos acecha, se requiere un involucramiento de los gobiernos en conversaciones
trans sectoriales, compartiendo conocimientos y perspectivas, y estableciendo agendas conjuntas
que integren de forma vertical y horizontal a la ciudadanía [World Health Organization, 2016].
La gestión de la calidad del aire es un asunto de primordial e imperiosa importancia a nivel local
y global y lograr que el diseño institucional sea el correcto es clave para el éxito.
En este marco, el diálogo efectivo entre la ciencia y la gestión debe ser un asunto prioritario. La
ciencia deberá proporcionar herramientas innovadoras para avanzar en el nivel de conocimiento
Conclusiones generales
257
de la atmósfera e identificar los problemas y soluciones que puedan surgir [Grey et al., 2013], pero
es necesario dar un marco político que garantice los fondos económicos, de modo que la ciencia
pueda reunir los datos y las pruebas necesarias. Tal como se mencionó, en ausencia de un
conocimiento avanzado y una comprensión compartida, la complejidad alimenta las decisiones
deficientes y la tensión asociada. La falta de información contribuye a que se generen
percepciones erróneas con serias consecuencias para la población [Sadoff & Grey, 2005; Grey et
al., 2013], que como se señaló anteriormente en esta tesis pueden estar directamente ligadas con
padecimientos graves como el cáncer o la muerte.
Para contener y gestionar los riesgos relacionados con la mala calidad del aire, desde la escala
local hasta la escala mundial, hace falta información. Este es un requisito previo para la gestión
de los riesgos sociales, políticos y económicos en nuestro mundo cambiante. Y debe siempre
contemplarse que los riesgos se acentúan cuando reina el desconocimiento.
Un último aspecto que quisiera rescatar es una reflexión sobre una deformación profesional que
nos pone al filo de nuestra propia ética. Creo firmemente que no debe perderse de vista que, para
la resolución de los problemas modernos como los que aquí se señal, producto ineludible del
sistema económico imperante, se requiere no sólo de la investigación y del desarrollo tecnológico,
sino también de una revisión de los valores fundamentales de nuestras sociedades. Debe ser
siempre nuestro mayor desafío diferenciar el consumo material y el crecimiento económico de la
felicidad y el bienestar humano.
“Tenemos que cambiarlo todo”
Greta Thunberg
258
“La única forma de saber con certeza si existen, si se están generando,
o si se están empeorando los problemas de la contaminación del aire
es mediante la medición de los contaminantes.”
[Korc & Sáenz, 1999]
Bibliografía
A
Abril, G. A., Diez, S. C., Pignata, M. L., & Britch, J. (2016). Particulate matter concentrations originating from industrial and urban
sources: Validation of atmospheric dispersion modeling results. Atmospheric Pollution Research, 7(1), 180-189.
Abrutzky, R., Dawidowski, L., Matus, P., & Lankao, P. R. (2012). Health effects of climate and air pollution in Buenos Aires: a first
time series analysis. Journal of Environmental Protection, 3(3), 262.
Achad, M., López, M. L., Ceppi, S., Palancar, G. G., Tirao, G., & Toselli, B. M. (2014). Assessment of fine and sub-micrometer
aerosols at an urban environment of Argentina. Atmospheric environment, 92, 522-532.
Akimoto, H. (2003). Global air quality and pollution. Science, 302(5651), 1716-1719.
Aldabe, J., Elustondo, D., Santamaría, C., Lasheras, E., Pandolfi, M., Alastuey, A., Querol, X. and Santamaría, J.M., 2011. Chemical
characterisation and source apportionment of PM2. 5 and PM10 at rural, urban and traffic sites in Navarra (North of
Spain). Atmospheric Research, 102(1-2), pp.191-205.
Allende, D. G., Puliafito, S. E., Fernández, R. P., Castro, F. H. y Cremades, P. G. 2012. Herramientas para la evaluación integral de
la calidad de aire en Argentina: modelos de escala urbana y regional. Revista Proyecciones- UTN-FRBA 10: 31 - 44.
An, X.Q., Zuo, H.C., Chen, L.J., 2007. Atmospheric environmental capacity of SO2 in winter over Lanzhou in China: a case study.
Adv. Atmos. Sci. 24, 688e699
Anderson, T. W. 1984. An Introduction to Multivariate Statistical Analysis. John Wiley & Sons, New York.
Ångström, A., 1929. On the atmospheric transmission of sun radiation and on dust in the air. Geografiska Annaler 11, 156-166.
Anselin, L., 1995, Local indicators of spatial association—LISA. Geographical Analysts, 27, pp. 93–115.
Arkouli, M., Ulke, A. G., Endlicher, W., Baumbach, G., Schultz, E., Vogt, U., M. Müller, L. Dawidowski, A. Faggi, U. Wolf-Benning
& Scheffknecht, G. (2010). Distribution and temporal behavior of particulate matter over the urban area of Buenos Aires.
Atmospheric Pollution Research, 1(1), 1-8.
Arasa, R., Soler, M. R., Ortega, S., Olid, M., & Merino, M. (2010). A performance evaluation of MM5/MNEQA/CMAQ air quality
modelling system to forecast ozone concentrations in Catalonia. Tethys, 7, 11-23.
Arora, P., & Varshney, S. (2016). Analysis of k-means and k-medoids algorithm for big data. Procedia Computer Science, 78, 507-
512.
ARS (2015) Astillero Río Santiago, Información obtenida de: http://www.astillero.gba.gov.ar
Bibliografía
259
Asociación de Fábricas Argentinas de Componentes, AFAC. 2018. Flota circulante en Argentina.
Austin, E., Coull, B. A., Zanobetti, A., & Koutrakis, P. (2013). A framework to spatially cluster air pollution monitoring sites in US
based on the PM2.5 composition. Environment international, 59, 244-254.
B
Bakhtiarifar, M. H., Bashiri, M., & Amiri, A. (2017). Optimization of problems with multivariate multiple functional
responses: A case study in air quality. Communications in Statistics-Simulation and Computation, 46(10), 8049-
8063.
Baklanov, A., Molina, L. T., & Gauss, M. (2016). Megacities, air quality and climate. Atmospheric Environment, 126, 235-
249.
Baldasano, J. M., Valera, E., & Jimenez, P. (2003). Air quality data from large cities. Science of the Total
Environment, 307(1-3), 141-165.
Ballester, F., Corella, D., Perez-Hoyos, S., & Hervas, A. (1996). Air pollution and mortality in Valencia, Spain: a study using
the APHEA methodology. Journal of Epidemiology & Community Health, 50(5), 527-533.
Ballester, F., Estarlich, M., Iñiguez, C., Llop, S., Ramón, R., Esplugues, A., Lacasaña, M. and Rebagliato, M., 2010. Air
pollution exposure during pregnancy and reduced birth size: a prospective birth cohort study in Valencia,
Spain. Environmental Health, 9(1), p.6.
Barros V, Menéndez A, Nagy G (2005) El Cambio Climático en el Río de La Plata, CIMA Textos del reporte técnico de los
proyectos: Impactos del Cambio Global en las áreas costeras del Río de la Plata y Variabilidad hidroclimática del
estuario del Río de la Plata: Influencia humana, ENSO y estado trófico. Proyecto "Assessments of Impacts and
Adaptations to Climate Change (AIACC)", START-TWAS-UNEP, 1–204.
Baró Porras, F., Chaparro, L., Gómez Baggethun, E., Langemeyer, J., Nowak, D. J., & Terradas, J. (2014). Contribution of
ecosystem services to air quality and climate change mitigation policies. Ambio, 43(4), 466-479.
Barros, V., Clarke, R., & Dias, P. S. (2006). Climate change in the La Plata basin. Publication of the Inter-American
Institute for Global Change Research (IAI), São José dos Campos, Brazil.
Barros, V. R., Boninsegna, J. A., Camilloni, I. A., Chidiak, M., Magrín, G. O., & Rusticucci, M. (2015). Climate change in
Argentina: trends, projections, impacts and adaptation. Wiley Interdisciplinary Reviews: Climate Change, 6(2), 151-
169.
Beaulant, A. L., Perron, G., Kleinpeter, J., Weber, C., Ranchin, T., & Wald, L. (2008). Adding virtual measuring stations
to a network for urban air pollution mapping. Environment international, 34(5), 599-605.
Beck, U., and E. Beck-Gernsheim. 2002. Individualization: Institutionalized Individualism and its Social and Political
Consequences. London: Sage
Beelen, R., Hoek, G., Vienneau, D., Eeftens, M., Dimakopoulou, K., Pedeli, X., Tsai, M.Y., Künzli, N., Schikowski, T.,
Marcon, A. and Eriksen, K.T., 2013. Development of NO2 and NOx land use regression models for estimating air
pollution exposure in 36 study areas in Europe–The ESCAPE project. Atmospheric Environment, 72, pp.10-23.
Belda, F., Meliá, J., & Segarra, D. (2001). Estudio climatológico en el sur de la comunidad valenciana utilizando un modelo
digital del terreno (MDT).
Bellinger, C., Jabbar, M. S. M., Zaïane, O., & Osornio-Vargas, A. (2017). A systematic review of data mining and machine
learning for air pollution epidemiology. BMC public health, 17(1), 907.
Bernard, P., Charafeddine, R., Frohlich, K. L., Daniel, M., Kestens, Y., & Potvin, L. (2007). Health inequalities and place:
a theoretical conception of neighbourhood. Social science & medicine, 65(9), 1839-1852.
260
Biancofiore, F., Busilacchio, M., Verdecchia, M., Tomassetti, B., Aruffo, E., Bianco, S., Di Tommaso, S., Colangeli, C.,
Rosatelli, G. and Di Carlo, P., 2017. Recursive neural network model for analysis and forecast of PM10 and PM2.
5. Atmospheric Pollution Research, 8(4), pp.652-659.
Bianchi, B. V. M. (2009). Un caso de estudio en calidad de datos para ingeniería de software empírica. Universidad de la
República, Uruguay.
Binkowski, F. S., & Roselle, S. J. (2003). Models‐3 Community Multiscale Air Quality (CMAQ) model aerosol component
1. Model description. Journal of geophysical research: Atmospheres, 108(D6).
Bird, R. B., Stewart, W. E., & Lightfoot, E. N. (1992). Fenómenos de transporte: un estudio sistemático de los fundamentos
del transporte de materia, energía y cantidad de movimiento (No. TP156 B5321).
Bivand R. (2019). classInt: Choose Univariate Class Intervals. R package version 0.3-3. https://CRAN.R-
project.org/package=classInt
Bivand R, Tim Keitt and Barry Rowlingson (2019). rgdal: Bindings for the 'Geospatial' Data Abstraction Library. R package
version 1.4-3. https://CRAN.R-project.org/package=rgdal
Boersma, K. F., Eskes, H. J., Dirksen, R. J., van der A, R. J., Veefkind, J. P., Stammes, P., Huijnen, V., Kleipool, Q. L.,
Sneep, M., Claas, J., Leitão, J., Richter, A., Zhou, Y., and Brunner, D.: An improved tropospheric NO2 column retrieval
algorithm for the Ozone Monitoring Instrument, Atmos. Meas. Tech., 4, 1905– 1928, doi:10.5194/amt-4-1905-2011,
2011
Bogo, H., Otero, M., Castro, P., Ozafrán, M. J., Kreiner, A., Calvo, E. J., & Negri, R. M. (2003). Study of atmospheric
particulate matter in Buenos Aires city. Atmospheric Environment, 37(8), 1135-1147.
Boldo, E., & Querol, X. (2014). Nuevas políticas europeas de control de la calidad del aire:¿ un paso adelante para la mejora
de la salud pública?.
Bösenberg, J., & Matthias, V. (2003). EARLINET: A European Aerosol Research Lidar Network to establish an aerosol
climatology.
Bostrom, A., Morgan, M. G., Fischhoff, B., & Read, D. (1994). What do people know about global climate change? 1. Mental
models. Risk Analysis, 14(6), 959-970.
Brasseur, G. P., & Prinn, R. G. (2003). Atmospheric Chemistry in a Changing World: An Integration and Synthesis of a
Decade of Tropospheric Chemistry Research; the International Global Atmospheric Chemistry Project of the
International Geosphere-Biosphere Programme; with 22 Tables. Springer Science & Business Media.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Brook, R.D., Rajagopalan, S., Pope III, C.A., Brook, J.R., Bhatnagar, A., Diez-Roux, A.V., Holguin, F., Hong, Y., Luepker,
R.V., Mittleman, M.A. and Peters, A., 2010. Particulate matter air pollution and cardiovascular disease: an update to
the scientific statement from the American Heart Association. Circulation, 121(21), pp.2331-2378.
Brunekreef B, Janssen NA, de Hartog J, Harssema H, Knape M, van Vliet P. 1997. Air pollution from truck traffic and lung
function in children living near motorways. Epidemiology 8:298–303
Brunelli, U., Piazza, V., Pignato, L., Sorbello, F., & Vitabile, S. (2007). Two-days ahead prediction of daily maximum
concentrations of SO2, O3, PM10, NO2, CO in the urban area of Palermo, Italy. Atmospheric Environment, 41(14),
2967-2995.
Brulle, R. J. (2010). From environmental campaigns to advancing the public dialog: Environmental communication for
civic engagement. Environmental Communication, 4(1), 82-98.
Bucsela, E. J., Krotkov, N. A., Celarier, E. A., Lamsal, L. N., Swartz, W. H., Bhartia, P. K., Boersma, K. F., Veefkind, J. P.,
Gleason, J. F., and Pickering, K. E.: A new stratospheric and tropospheric NO2 retrieval algorithm for nadir-viewing
satellite instruments: applications to OMI, Atmos. Meas. Tech., 6, 2607– 2626, doi:10.5194/amt-6-2607-2013, 2013.
Bibliografía
261
Büttner, G., Feranec, J., Jaffrain, G., Mari, L., Maucha, G., & Soukup, T. (2004). The CORINE land cover 2000 project.
EARSeL eProceedings, 3(3), 331-346.
Bytnerowicz, A., Arbaugh, M., Schilling, S., Fraczek, W., Alexander, D., & Dawson, P. (2007). Air pollution distribution
patterns in the San Bernardino Mountains of southern California: a 40-year perspective. The Scientific World Journal,
7, 98-109.
C
Cámara Argentina de Comercio (CAC), 2011. RELEVANCIA DEL SECTOR DE COMERCIO Y SERVICIOS EN LA
ECONOMÍA ARGENTINA. Visto en
https://www.cac.com.ar/data/documentos/2_informe%20relevancia%20consolidado.pdf (Visitado 23-09-2019)
Carreras, H. A., & Pignata, M. L. (2002). Biomonitoring of heavy metals and air quality in Cordoba City, Argentina, using
transplanted lichens. Environmental Pollution, 117(1), 77-87.
Carslaw DC & Ropkins K (2012). “Openair — An R package for air quality data analysis.” Environmental Modelling &
Software, 27–28(0), pp. 52–61. ISSN 1364-8152, doi: 10.1016/j.envsoft.2011.09.008.
Cavallotto, J.L. 1995. Evolución Geomorfológica de la Llanura Costera del Margen Sur del Río de La Plata. Tesis Doctoral,
Facultad de Ciencias Naturales y Museo, Universidad Nacional de La Plata (inédita), 237 p., La Plata.
Chalvatzaki, E., Chatoutsidou, S. E., Lehtomäki, H., Almeida, S. M., Eleftheriadis, K., Hänninen, O., & Lazaridis, M.
(2019). Characterization of Human Health Risks from Particulate Air Pollution in Selected European Cities.
Atmosphere, 10(2), 96.
Chameides, W., & Walker, J. C. (1973). A photochemical theory of tropospheric ozone. Journal of Geophysical Research,
78(36), 8751-8760.
Chang, J.C., Hanna, S.R., 2004. Air quality model performance evaluation. Meteorology and Atmospheric Physics 87.
Channan, S., K. Collins, and W. R. Emanuel. 2014. Global mosaics of the standard MODIS land cover type data. University
of Maryland and the Pacific Northwest National Laboratory, College Park, Maryland, USA.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. & Wirth, R. 2000. CRISP-DM 1.0 Step-by-Step
Data Mining Guide. Technical report, CRISP-DM.
Chen, M., Wang, P., Chen, Q., Wu, J., & Chen, X. (2015). A clustering algorithm for sample data based on environmental
pollution characteristics. Atmospheric Environment, 107, 194-203.
Chen, Y., Wang, L., Li, F., Du, B., Choo, K. K. R., Hassan, H., & Qin, W. (2017). Air quality data clustering using EPLS
method. Information Fusion, 36, 225-232.
Chen, G., Wang, Y., Li, S., Cao, W., Ren, H., Knibbs, L.D., Abramson, M.J. and Guo, Y., (2018). Spatiotemporal patterns
of PM10 concentrations over China during 2005–2016: a satellite-based estimation using the random forests
approach. Environmental pollution, 242, pp.605-613.
Chin, M. (2005). The Goddard Chemistry Aerosol Radiation and Transport Model.
Cimorelli, A.J., Perry, S.G., Venkatram, A., Weil, J.C., Paine, R.J., Wilson, R.B., Lee, R.F., Peters, W.D. and Brode, R.W.,
2005. AERMOD: A dispersion model for industrial source applications. Part I: General model formulation and
boundary layer characterization. Journal of applied meteorology, 44(5), pp.682-693.
Ciudad de Buenos Aires, 2014. La Ciudad de Buenos Aires y la industria manufacturera. Informe de resultados.
https://www.estadisticaciudad.gob.ar/eyc/wp-content/uploads/2015/04/ir_2014_707.pdf
262
Ciudad de Buenos Aires, 2019. Boletín Oficial de la Ciudad de Buenos Aires N° 5547 - 29/1/2019 . ANEXO Resolución
109/MEIGC/19 https://documentosboletinoficial.buenosaires.gob.ar/publico/PE-RES-MEIGC-MEIGC-609-19-
ANX.pdf
Climate Science Investigations. (2019). Energy: The Driver of Climate. Recuperado de
http://www.ces.fau.edu/nasa/module-2/how-greenhouse-effect-works.php
Cohen, M. A. (2007). Una nueva gestión ambiental: El riesgo y el principio precautorio. espacio abierto, 16(2), 209-222.
Collett, R. S., & Oduyemi, K. (1997). Air quality modelling: a technical review of mathematical approaches. Meteorological
Applications, 4(3), 235-246.
Collini, E., Osores, M. S., Folch, A., Viramonte, J. G., Villarosa, G., & Salmuni, G. (2013). Volcanic ash forecast during the
June 2011 Cordón Caulle eruption. Natural hazards, 66(2), 389-412.
Colman-Lerner, A. Morales, M. Aguilar, P. Barrionuevo, J. Ditondo, A. Porta, L. Massolo y V. Dodero, «Calidad Del Aire
En Áreas Urbanas E Industriales En La Provincia De Buenos Aires. Estudio Comparativo Entre La Plata Y Bahía
Blanca,» de Contribuciones de la III Reunión Anual PROIMCA, Buenos Aires, 2011.
Colman-Lerner, JE. Análisis y mitigación/remoción de Material Particulado (PM) y Compuestos Orgánicos Volátiles
(COVs) y semivolátiles (COSVs). Tesis Doctoral, Facultad de Ciencias Exactas, UNLP. 2013
Colman Lerner, J. E. C., Kohajda, T., Aguilar, M. E., Massolo, L. A., Sánchez, E. Y., Porta, A. A. & Mueller, A. (2014).
Improvement of health risk factors after reduction of VOC concentrations in industrial and urban areas.
Environmental Science and Pollution Research, 21(16), 9676-9688.
Colman Lerner JE., A. Morales, M. Aguilar, D. Giuliani, J. Ditondo, V.I. Dodero, L. Massolo, EY. Sánchez, N. Matamoros,
A. Porta (2014a). “The effect of Air Pollution on Children’s Health: a Comparative Study between La Plata and Bahía
Blanca, Buenos Aires Province, Argentina”. In: WIT Transactions on Ecology and the Environment, Vol. 181,
Environmental Impact II, C.A. Brebbia, G. Passerini, Eds. 659-670. Print ISBN: 978-1- 84564-762- 9. 768 pp.
Colman Lerner JE., T. Kohajda, ME. Aguilar, LA. Massolo, EY. Sánchez, AA. Porta, P. Opitz, G. Wichmann, O. Herbarth,
A. Mueller (2014b). “Improvement of health risk factors after reduction of VOC concentrations in industrial and urban
areas”. Environmental Science and Pollution Research International, 21: 9676-9688.
Conselleria de Agricultura, Desarrollo Rural, Emergencia Climática y Transición Ecológica (2017a). Evaluación de la
Calidad del Aire en la Comunidad Valenciana: U. Móvil La Pobla de Vallbona-La Vereda Zona ES1007: Turia (A.
Costera) 28/03/17-28/05/17. Recuperado de
http://www.agroambient.gva.es/documents/20549779/164404226/LA+POBLA+DE+VALLBONA-
LA+VEREDA/943a4ab9-0377-48eb-8a33-3dbd8c45c3d9;jsessionid=F8ECAA8890131F12B24CDB5AEAE7A3DC
Conselleria de Agricultura, Desarrollo Rural, Emergencia Climática y Transición Ecológica. (2017b). Evaluación de la
calidad del aire en la Comunidad Valenciana Zona ES1007: Turia (A. Costera) año 2017. Recuperado de
http://www.agroambient.gva.es/documents/20549779/164404040/ZONA+ES1007.+TURIA.+%C3%80REA+COS
TERA/0d1528fc-0aa4-421b-a520-5b849f96b2ce;jsessionid=D42A843528C4D38E32C6A41BA71B6875
Cowie, C.T., Garden, F., Jegasothy, E., Knibbs, L.D., Hanigan, I., Morley, D., Hansell, A., Hoek, G. and Marks, G.B., 2019.
Comparison of model estimates from an intra-city land use regression model with a national satellite-LUR and a
regional Bayesian Maximum Entropy model, in estimating NO2 for a birth cohort in Sydney,
Australia. Environmental research, 174, pp.24-34. Cressie, N. 1991. Statistics for Spatial Data, 1 edn, John Wiley &
Sons.
Cressie, N. 1989. Geostatistics. The American Statistician. 43(4): 611(23).
Crutzen, P. J. (1974). Photochemical reactions initiated by and influencing ozone in unpolluted tropospheric air. Tellus,
26(1-2), 47-57.
Cullen, A. and Frey, H. (1999). Probabilistic Techniques in Exposure Assessment. Plenum Publishing Co., 1st edition.
Bibliografía
263
Csépe, Z., Makra, L., Voukantsis, D., Matyasovszky, I., Tusnády, G., Karatzas, K., & Thibaudon, M. (2014). Predicting
daily ragweed pollen concentrations using computational intelligence techniques over two heavily polluted areas in
Europe. Science of the Total Environment, 476, 542-552.
D
D'Angiola, A., Dawidowski, L. E., Gómez, D. R., & Osses, M. (2010). On-road traffic emissions in a megacity. Atmospheric
Environment, 44(4), 483-493.
Dadson, S. J. (2017). Statistical Analysis of Geographical Data: An Introduction. John Wiley & Sons.
Davis, D. L. (1997). Short-term improvements in public health from global-climate policies on fossil-fuel combustion: an
interim report. The Lancet, 350(9088), 1341-1349.
de Hoogh, K., Korek, M., Vienneau, D., Keuken, M., Kukkonen, J., Nieuwenhuijsen, M.J., Badaloni, C., Beelen, R.,
Bolignano, A., Cesaroni, G. and Pradas, M.C., 2014. Comparing land use regression and dispersion modelling to assess
residential exposure to ambient air pollution for epidemiological studies. Environment international, 73, pp.382-392.
De Leeuw, G., Andreas, E. L., Anguelova, M. D., Fairall, C. W., Lewis, E. R., O'Dowd, C., ... & Schwartz, S. E. (2011).
Production flux of sea spray aerosol. Reviews of Geophysics, 49(2).
Dee, D. P., S. M. Uppala, A. J. Simmons, P. Berrisford, P. Poli, S. Kobayashi, U. Andrae et al. (2011). The ERA-‐Interim
reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal
Meteorological Society, 137(656), 553-‐597, doi: 10.1002/qj.828
Deguen, S., & Zmirou-Navier, D. (2010). Social inequalities resulting from health risks related to ambient air quality—a
European review. European Journal of Public Health, 20(1), 27-35.
Derwent, D., Fraser, A., Abbott, J., Willis, P., Murrells, T., 2010. Evaluating the performance of air quality models (No.
Issue 3). Department for Environment and Rural Affairs.
Desarkar, A., & Das, A. (2018). Implementing decision tree in air pollution reduction framework. In Smart
Computing and Informatics (pp. 105-113). Springer, Singapore.
Díaz, J., Linares, C., Carmona, R., Russo, A., Ortiz, C., Salvador, P., & Trigo, R. M. (2017). Saharan dust intrusions in
Spain: health impacts and associated synoptic conditions. Environmental research, 156, 455-467.
Dickerson, R., Kondragunta, S., Stenchikov, G., Civerolo, K., Doddridge, B., and Holben, B.: The impact of aerosols on
solar ultraviolet radiation and photochemical smog, Science, 278, 827–830, 1997.
Dincer, N. G., & Akkuş, Ö. (2018). A new fuzzy time series model based on robust clustering for forecasting of air
pollution. Ecological Informatics, 43, 157-164.
Diner, D.J.; Abdou, W.; Ackerman, T.; Crean, K.; Gordon, H.; Kahn, R.; Martonchik, J.; McMuldroch, S.; Paradise, S.;
Pinty, B.; et al. MISR Level 2 Aerosol Retrieval Algorithm Theoretical Basis; NASA: Greenbelt, MD, USA, 1999; JPL
D11400.
Directive 2008/50/EC, Directive 2008/50/EC of the European Parliament and of the Council of 21 May 2008 on Ambient
Air Quality and Cleaner Air for Europe. Annex I. [WWW Document] URL http://eur-lex.europa.eu/legal-
content/EN/TXT/?uri=celex%3A32008L0050.
Dirección General de Estadísticas y Censos, 2016. Estadísticas vitales. Ministerio de Haciendo GCBA. Consultado última
vez 1/10/2019 en https://www.estadisticaciudad.gob.ar/eyc/wp-
content/uploads/2016/05/poblacion_2016_023.pdf
Domańska, D., & Łukasik, S. (2016). Handling high-dimensional data in air pollution forecasting tasks. Ecological
Informatics, 34, 70-91.
264
Dominici, F., McDermott, A., Zeger, S. L., & Samet, J. M. (2002). On the use of generalized additive models in time-series
studies of air pollution and health. American journal of epidemiology, 156(3), 193-203.
Dorling, S. R., Davies, T. D., & Pierce, C. E. (1992). Cluster analysis: A technique for estimating the synoptic meteorological
controls on air and precipitation chemistry—Method and applications. Atmospheric Environment. Part A. General
Topics, 26(14), 2575-2581.
Downey, A. (2018). Think complexity: complexity science and computational modeling. " O'Reilly Media, Inc.".
Duboue, M. (1978). Pollution roses: a simple way of interpreting the data obtained by air pollution measurement systems
in the proximity of refineries. In Studies in Environmental Science (Vol. 1, pp. 133-136). Elsevier.
E
Eastoe, E. F. (2009). A hierarchical model for non‐stationary multivariate extremes: a case study of surface‐level ozone
and NOx data in the UK. Environmetrics: The official journal of the International Environmetrics Society, 20(4),
428-444.
EEA, European Environment Agency (2017). Air quality in Europe 2017. ISBN 978-92-9213-921-6
Elangasinghe, M. A., Singhal, N., Dirks, K. N., Salmond, J. A., & Samarasinghe, S. (2014 a). Complex time series analysis
of PM10 and PM2. 5 for a coastal site using artificial neural network modelling and k-means clustering. Atmospheric
Environment, 94, 106-116.
Engel-Cox, J., Oanh, N. T. K., van Donkelaar, A., Martin, R. V., & Zell, E. (2013). Toward the next generation of air quality
monitoring: Particulate Matter. Atmospheric Environment, 80, 584-590.
Engel-Cox, J. A., Hoff, R. M., & Haymet, A. D. J. (2004). Recommendations on the use of satellite remote-sensing data
for urban air quality. Journal of the Air & Waste Management Association, 54(11), 1360-1371.
El-Harbawi, M. (2013). Air quality modelling, simulation, and computational methods: a review. Environmental Reviews,
21(3), 149-179.
Engelstaedter, S., & Washington, R. (2007). Atmospheric controls on the annual cycle of North African dust. Journal of
Geophysical Research: Atmospheres, 112(D3).
Environmental Protection Agency (2006), “Data Quality Assessment: A Reviewer’s Guide”. EPA/240/B-06/002
ENVIRON, O. (2014). User's Guide to the Comprehensive Air Quality Model with Extensions Version 5.40. ENVIRON
International Corporation, Novato, CA. Available at: www. camx. com.
Eritja, M. C. (2007). El mecanismo de cumplimiento del Protocolo de Kioto: un nuevo paso en aras al control de
cumplimiento de los acuerdos internacionales ambientales. Revista electrónica de estudios internacionales (REEI),
(14), 11.
Estrabou, C., Filippini, E., Soria, J. P., Schelotto, G., & Rodriguez, J. M. (2011). Air quality monitoring system using lichens
as bioindicators in Central Argentina. Environmental monitoring and assessment, 182(1), 375-383.
European Environment Agency (2016). Air quality in Europe — 2016 report. EEA Report No 28/2016.
https://www.eea.europa.eu/.../air-quality- in-europe-2016/download
Evans, G. W., & Kantrowitz, E. (2002). Socioeconomic status and health: the potential role of environmental risk exposure.
Annual review of public health, 23(1), 303-331.
Bibliografía
265
F
Fan, J., & Yao, Q. (2008). Nonlinear time series: nonparametric and parametric methods. Springer Science & Business
Media.
Fayyad, U. M., Piatetsky-Shapiro, G. & Smyth, P. 1996a. From data mining to knowledge discovery: an overview, Advances
in Knowledge Discovery and Data Mining, 1–34. American Association for Artificial Intelligence.
Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. 1996b. The KDD PROCESS for extracting useful knowledge from volumes
of data. Communication of the ACM 39, 27–34.
Fayyad, U., Piatetsky-Shapiro, G., Smith, P. & Uthurusamy, R. 1996c. Advances in Knowledge Discovery and Data Mining.
AAAI/MIT Press.
Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., & Herrera, F. (2018). Introduction to KDD and Data
Science. In Learning from Imbalanced Data Sets (pp. 1-17). Springer, Cham.
Fidalgo, F. y Martínez, O.R. 1983. Algunas características geomorfológicas dentro del Partido de La Plata (Buenos Aires).
Revista de la Asociación Geológica Argentina 38: 263-279.
Finlayson-Pitts, B. J., & Pitts Jr, J. N. (1999). Chemistry of the upper and lower atmosphere: theory, experiments, and
applications. Elsevier.
Formenti, P., D’Anna, B., Flamant, C., Mallet, M., Piketh, S.J., Schepanski, K., Waquet, F., Auriol, F., Brogniez, G., Burnet,
F. and Chaboureau, J.P., 2019. The Aerosols, Radiation and Clouds in southern Africa (AEROCLO-sA) field
campaign in Namibia: overview, illustrative observations and way forward. Bulletin of the American
Meteorological Society, (2019).
Frenguelli, J. (1950). Rasgos generales de la morfologia y geologia de la provincia de Buenos Aires. Provincia de Buenos
aires, Ministerio de Obras Publicas de la Provincia de Buenos Aires. Lab. Ensayos Materiales Invest. Tecnol.(LEMIT)
Ser. II, 33, 1-72.
Fucks, E. E., D'amico, G. M., Pisano, M. F., & Nuccetelli, G. (2017). Evolución geomorfológica de la región del Gran La
Plata y su relación con eventos catastróficos.
Funtowicz, S.O. & Ravetz, J.R. (1991). A new scientific methodology for global environmental issues. Ecological
economics: The science and management of sustainability, 10, p.137.
Funtowicz, S. O., & Ravetz, J. R. (2000). La ciencia posnormal: ciencia con la gente (Vol. 160). Icaria editorial.
G
García, S., Ramírez, S., Luengo, J., & Herrera, F. C. (2016). Big Data: Preprocesamiento y calidad de datos. University of
Granada, 18-20.
García Ferreyra, M. F. (2013). Obtención de mapas de calidad de aire, a través de la implementación y primera aplicación
del modelo de transporte químico CHIMERE sobre Argentina. Tesis de Maestría en Aplicaciones Espaciales de Alerta
y Respuesta Temprana a Emergencias. Facultad de Matemática, Astronomía y Física, Universidad Nacional de
Córdoba.
García Ferreyra, M. F., Curci, G., & Lanfri, M. (2016). First Implementation of the WRF-CHIMERE-EDGAR Modeling
System Over Argentina. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(12),
5304-5314.
266
Gaitán Varón, M. & Cárdenas Ruiz, P. A., 2017. Guía para la elaboración de inventarios de emisiones atmosféricas [Recurso
electrónico] - Dirección de Asuntos Ambientales, Sectorial y Urbana. -- Bogotá, D.C.: Colombia. Ministerio de
Ambiente y Desarrollo Sostenible, 2017. 92 p. ISBN: ISBN: 978-958-8901-64-0
Gassó, S., & Stein, A. F. (2007). Does dust from Patagonia reach the sub‐Antarctic Atlantic Ocean?. Geophysical Research
Letters, 34(1).
Gassó, S., Stein, A., Marino, F., Castellano, E., Udisti, R., & Ceratto, J. (2010). A combined observational and modeling
approach to study modern dust transport from the Patagonia desert to East Antarctica.
Garaga, R., Sahu, S. K., & Kota, S. H. (2018). A review of air quality modeling studies in India: local and regional scale.
Current Pollution Reports, 1-15.
Garratt, J. R. (1994). The atmospheric boundary layer. Earth-Science Reviews, 37(1-2), 89-134.
Garreaud, R. D., & Falvey, M. (2009). The coastal winds off western subtropical South America in future climate scenarios.
International Journal of Climatology, 29(4), 543-554.
Gelaro, R., McCarty, W., Suárez, M.J., Todling, R., Molod, A., Takacs, L., Randles, C.A., Darmenov, A., Bosilovich, M.G.,
Reichle, R. and Wargan, K. (2017). The modern-era retrospective analysis for research and applications, version 2
(MERRA-2). Journal of Climate, 30(14), pp.5419-5454.
Georgakopoulos, D., Hornick, M., & Sheth, A. (1995). An overview of workflow management: From process modeling to
workflow automation infrastructure. Distributed and Parallel Databases, 3(2), 119–153.doi:10.1007/bf01277643
Gibson, N. (1990). The right to a clean environment. Sask. L. Rev., 54, 5.
Ginoux, P., Chin, M., Tegen, I., Prospero, J. M., Holben, B., Dubovik, O., & Lin, S. J. (2001). Sources and distributions of
dust aerosols simulated with the GOCART model. Journal of Geophysical Research: Atmospheres, 106(D17), 20255-
20273.
Gilks, W. R., Richardson S., & Spiegelhalter D. (1995). Markov chain Monte Carlo in practice. Chapman and Hall/CRC.
Giuliani, D., Orte, M., Martins, E., Matamoros, N., Colman, J., & Porta, A. (2017, September). Caracterización química y
espectroscópica de material particulado en aire extramuros en la ciudad de La Plata y alrededores. In IV Congreso
Internacional Científico y Tecnológico-CONCYT 2017.
Goldberg, D. L., Gupta, P., Wang, K., Jena, C., Zhang, Y., Lu, Z., & Streets, D. G. (2019). Using gap-filled MAIAC AOD and
WRF-Chem to estimate daily PM2. 5 concentrations at 1 km resolution in the Eastern United States. Atmospheric
environment, 199, 443-452.
Gómez-Losada, Á. (2017). Clustering Air Monitoring Stations According to Background and Ambient Pollution Using
Hidden Markov Models and Multidimensional Scaling. In Data Science (pp. 123-132). Springer, Cham.
Gong, B., & Ordieres-Meré, J. (2016). Prediction of daily maximum ozone threshold exceedances by preprocessing and
ensemble artificial intelligence techniques: Case study of Hong Kong. Environmental Modelling & Software, 84,
290-303.
Goodchild, MF (1987). A spatial analytical perspective on geographical information systems. International journal of
geographical information system, 1(4), 327-334.
Goodchild MF (2007) Citizens as sensors: The world of volunteered geography. GeoJournal 69:211–221.
Gorman, D., Drewry, A., Huang, Y. L., & Sames, C. (2003). The clinical toxicology of carbon monoxide. Toxicology, 187(1),
25-38.
Gramsch, E., Cereceda-Balic, F., Oyola, P., & Von Baer, D. (2006). Examination of pollution trends in Santiago de Chile
with cluster analysis of PM10 and ozone data. Atmospheric environment, 40(28), 5464-5475.
Bibliografía
267
Grimm, N. B., Faeth, S. H., Golubiewski, N. E., Redman, C. L., Wu, J., Bai, X., & Briggs, J. M. (2008). Global change and
the ecology of cities. science, 319(5864), 756-760.
Guo H, Lee SC, Chan LY, Li WM (2004). Risk assessment of exposure to volatile organic compounds in different indoor
environments. Environ Res. 94(1):57-66.
Gupta, P., Christopher, S.A. (2009). Particulate matter air quality assessment using integrated surface, satellite, and
meteorological products: 2. A neural network approach. J. Geophys. Res. 114 (D20), D20205.
Gupta, P.; Remer, L.A.; Levy, R.C.; Mattoo, S (2018). Validation of MODIS 3 km land aerosol optical depth from NASA’s
EOS Terra and Aqua missions. Atmos. Meas. Tech., 11, 3145.
Gurjar, B. R., Jain, A., Sharma, A., Agarwal, A., Gupta, P., Nagpure, A. S., & Lelieveld, J. (2010). Human health risks in
megacities due to air pollution. Atmospheric Environment, 44(36), 4606-4613.
H
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
Hancock, J. (2003). Environmental human rights: Power, ethics, and law. London, ENG: Ashgate.
Hamra, G.B., Guha, N., Cohen, A., Laden, F., Raaschou-Nielsen, O., Samet, J.M., Vineis, P., Forastiere, F., Saldiva, P.,
Yorifuji, T. and Loomis, D., 2014. Outdoor particulate matter exposure and lung cancer: a systematic review and meta-
analysis. Environmental health perspectives.
Harrop, O. (2018). Air quality assessment and management: A practical guide. CRC Press.
Hashim, J. H., Pillay, M. S., Hashim, Z., Shamsudin, S. B., Sinha, K., Zulkifli, Z. H., & Lian, K. S. (2004). A study of health
impact and risk assessment of urban air pollution in the Klang Valley, Malaysia. A research project report submitted
byUKM Pakarunding Sdn. Bhd. Universiti Kebangsaan Malaysia to WHO-Western Pacific Regional Office
Available at: http://www. wpro. who. int/environmental_health/documents/docs/UKM_Report. pdf.
Hasenfratz, D., Saukh, O., Walser, C., Hueglin, C., Fierz, M., Arn, T., Beutel, J. and Thiele, L., (2015). Deriving high-
resolution urban air pollution maps using mobile sensor nodes. Pervasive and Mobile Computing, 16, pp.268-285.
Hastie, T, Tibshirani, R, Friedman, J (2009) The Elements of Statistical Learning: Data Mining, Inference, and Prediction,
2nd ed. New York: Springer.
He, J., Gong, S., Yu, Y., Yu, L., Wu, L., Mao, H., Song, C., Zhao, S., Liu, H., Li, X. and Li, R., 2017. Air pollution
characteristics and their relation to meteorological conditions during 2014–2015 in major Chinese
cities. Environmental pollution, 223, pp.484-496.
Heal, M. R., Kumar, P., & Harrison, R. M. (2012). Particles, air quality, policy and health. Chemical Society Reviews,
41(19), 6606-6630.
Hemminki, K., & Pershagen, G. (1994). Cancer risk of air pollution: epidemiological evidence. Environmental Health
Perspectives, 102(suppl 4), 187-192.
Henderson, S., Beckerman, B., Jerrett, M., Brauer, M., 2007. Application of land use regression to estimate long-term
concentrations of traffic related nitrogen oxides and fine particulate matter. Environ. Sci. Technol. 41, 2422–2428.
Henschel, S., Le Tertre, A., Atkinson, R.W., Querol, X., Pandolfi, M., Zeka, A., Haluza, D., Analitis, A., Katsouyanni, K.,
Bouland, C. and Pascal, M., 2015. Trends of nitrogen oxides in ambient air in nine European cities between 1999 and
2010. Atmospheric environment, 117, pp.234-241.
268
Héroux, M.E., Anderson, H.R., Atkinson, R., Brunekreef, B., Cohen, A., Forastiere, F., Hurley, F., Katsouyanni, K.,
Krewski, D., Krzyzanowski, M. and Künzli, N., 2015. Quantifying the health impacts of ambient air pollutants:
recommendations of a WHO/Europe project. International journal of public health, 60(5), pp.619-627.
Hijmans RJ (2019). raster: Geographic Data Analysis and Modeling. R package version 2.8-19. https://CRAN.R-
project.org/package=raster
Ho, T.K. The random subspace method for constructing decision forests. IEEE Trans. Pattern Anal. 1998, 20, 832–844.
Hoek, G., Beelen, R., De Hoogh, K., Vienneau, D., Gulliver, J., Fischer, P., & Briggs, D. (2008). A review of land-use
regression models to assess spatial variation of outdoor air pollution. Atmospheric environment, 42(33), 7561-7578.
Hoek, G., Eeftens, M., Beelen, R., Fischer, P., Brunekreef, B., Boersma, K. F., & Veefkind, P. (2015). Satellite NO 2 data
improve national land use regression models for ambient NO 2 in a small densely populated country. Atmospheric
environment, 105, 173-180.
Holben, B.N., Eck, T.F., Slutsker, I., Tanre, D., Buis, J.P., Setzer, A., Vermote, E., Reagan, J.A., Kaufman, Y.J., Nakajima,
T. and Lavenu, F., 1998. AERONET—A federated instrument network and data archive for aerosol
characterization. Remote sensing of environment, 66(1), pp.1-16.
Hooyberghs, J., Mensink, C., Dumont, G., Fierens, F., & Brasseur, O. (2005). A neural network forecast for daily average
PM10 concentrations in Belgium. Atmospheric Environment, 39(18), 3279-3289.
Hu, X., Belle, J. H., Meng, X., Wildani, A., Waller, L. A., Strickland, M. J., & Liu, Y. (2017). Estimating PM2.5
concentrations in the conterminous United States using the random forest approach. Environmental science &
technology, 51(12), 6936-6944.
Huang, K., Xiao, Q., Meng, X., Geng, G., Wang, Y., Lyapustin, A., Gu, D. and Liu, Y., 2018. Predicting monthly high-
resolution PM2. 5 concentrations with random forest model in the North China Plain. Environmental pollution, 242,
pp.675-683.
Huth, R., 1996. An intercomparison of computer-assisted circulations classification methods. Int. J. Climatol. 16, 893e922
Hsu, A., Reuben, A., Shindell, D., de Sherbinin, A., & Levy, M. (2013). Toward the next generation of air quality monitoring
indicators. Atmospheric environment, 80, 561-570.
Hsu, N.C., Jeong, M.J., Bettenhausen, C., Sayer, A.M., Hansell, R., Seftor, C.S., Huang, J. and Tsay, S.C., (2013). Enhanced
Deep Blue aerosol retrieval algorithm: The second generation. Journal of Geophysical Research:
Atmospheres, 118(16), pp.9296-9315.
I
Ichoku, C., Chu, D.A., Mattoo, S., Kaufman, Y.J., Remer, L.A., Tanré, D., Slutsker, I. and Holben, B.N. (2002). A spatio‐
temporal approach for global validation and analysis of MODIS aerosol products. Geophysical Research
Letters, 29(12), pp.MOD1-1.
Ichoku, C., Kaufman, Y. J., Remer, L. A., & Levy, R. (2004). Global aerosol remote sensing from MODIS. Advances in
Space Research, 34(4), 820-827.
INDEC (Instituto Nacional de Estadísticas y Censos). Censo Nacional de Población, Hogares y Viviendas 2010.
http://www.censo2010.indec.gov.ar/. (2011).
Instituto Nacional de Estadísticas y Censo (INDEC). 2010. en línea. Censo Nacional de Población, Hogares y Viviendas.
Disponible en: www.censo2010.indec.gov.ar
IPCS. Environmental Health criteria 214: Human Exposure Assessment. World Health Organization. Genova, 2000.
Bibliografía
269
ISO/IEC. 25012:2008 – software engineering – software product quality requirements and evaluation (square) – data
quality model. Technical report, ISO/IEC, 2008
Irwin, J.S., Civerolo, K., Hogrefe, C., Appel, W., Foley, K., Swall, J., 2008. A procedure for inter-comparing the skill of
regional-scale air quality model simulations of daily maximum 8-h ozone concentrations. Atmospheric Environment
42, 5403e5412.
J
Jackson, J.M.; Liu, H.; Laszlo, I.; Kondragunta, S.; Remer, L.A.; Huang, J.; Huang, H.C. Suomi-NPP VIIRS aerosol
algorithms and data products. J. Geophys. Res. Atmos. 2013, 118.
Jacobson, M. Z. (2002). Atmospheric pollution: history, science, and regulation. Cambridge University Press.
Jacobson, M. Z. (2005). Fundamentals of atmospheric modeling. Cambridge university press.
Janssen, S., Dumont, G., Fierens, F., & Mensink, C. (2008). Spatial interpolation of air pollution measurements using
CORINE land cover data. Atmospheric Environment, 42(20), 4884-4903.
Jarvis A., H.I. Reuter, A. Nelson, E. Guevara, 2008, Hole-filled seamless SRTM data V4, International Centre for Tropical
Agriculture (CIAT), available from http://srtm.csi.cgiar.org.
Jenks, George F. (1967): "The Data Model Concept in Statistical Mapping", en International Yearbook of Cartography
nº 7: pp. 186-190.
Jiang, Z., Mao, B., Meng, X., Du, X., Liu, S., & Li, S. (2010, August). An air quality forecast model based on the BP neural
network of the samples self-organization clustering. In 2010 Sixth International Conference on Natural Computation
(Vol. 3, pp. 1523-1527). IEEE.
Jiang, P., Dong, Q., & Li, P. (2017). A novel hybrid strategy for PM2. 5 concentration analysis and prediction. Journal
of environmental management, 196, 443-457.
Johnson, M. S., Meskhidze, N., Kiliyanpilakkil, V. P., & Gassó, S. (2011). Understanding the transport of Patagonian dust
and its influence on marine biological activity in the South Atlantic Ocean. Atmospheric Chemistry & Physics, 11(6).
Just, A. C., Wright, R. O., Schwartz, J., Coull, B. A., Baccarelli, A. A., Tellez-Rojo, M. M., ... & Kloog, I. (2015). Using high-
resolution satellite aerosol optical depth to estimate daily PM2. 5 geographical distribution in Mexico City.
Environmental science & technology, 49(14), 8576-8584.
K
Kalabokas, P. D., Bartzis, J. G., & Papagiannakopoulos, P. (2002). Atmospheric levels of nitrogen oxides at a Greek oil
refinery compared with the urban measurements in Athens. Water, Air and Soil Pollution: Focus, 2(5-6), 703-716.
Kalnay, E., & Cai, M. (2003). Impact of urbanization and land-use change on climate. Nature, 423(6939), 528.
Kam, W., Liacos, J. W., Schauer, J. J., Delfino, R. J., & Sioutas, C. (2012). Size-segregated composition of particulate
matter (PM) in major roadways and surface streets. Atmospheric environment, 55, 90-97.
Kampa, M., & Castanas, E. (2008). Human health effects of air pollution. Environmental pollution, 151(2), 362-367.
Kasperson, R. E., Renn, O., Slovic, P., Brown, H. S., Emel, J., Goble, R., ... & Ratick, S. (1988). The social amplification of
risk: A conceptual framework. Risk analysis, 8(2), 177-187.
270
Kelling, S, Hochachka, W, Fink, D (2009) Data-intensive Science: A new paradigm for biodiversity studies. BioScience
59(7): 613–620.
Kikuchi, M.; Murakami, H.; Suzuki, K.; Nagao, T.M.; Higurashi, A. improved hourly estimates of aerosol optical thickness
using spatiotemporal variability derived from Himawari-8 geostationary satellite. IEEE Trans. Geosci. Remote Sens.
2018, 56, 3442–3455.
Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big data & society, 1(1), 2053951714528481.
Knaflic, C. N. (2015). Storytelling with data: A data visualization guide for business professionals. John Wiley & Sons.
Krotkov, N.A., McLinden, C.A., Li, C., Lamsal, L.N., Celarier, E.A., Marchenko, S.V., et al., 2016. Aura OMI observations
of regional SO2 and NO2 pollution changes from 2005 to 2015. Atmos. Chem. Phys. 16, 4605–4629
Kruse, E., Sarandón, R. y Gaspari, F. 2014. Impacto del cambio climático en el Gran La Plata. Editorial Universidad
Nacional de La Plata, 105 p., La Plata.
Krzyzanowski, M., & Cohen, A. (2008). Update of WHO air quality guidelines. Air Quality, Atmosphere & Health, 1(1), 7-
13.
Kuhn M. Contributions from J Wing, S Weston, A Williams, C Keefer, A Engelhardt, T Cooper, Z Mayer, B Kenkel, the R
Core Team, M Benesty, R Lescarbeau, A Ziem, L Scrucca, Y Tang, Can Candan and T Hunt. (2019). caret: Classification
and Regression Training. R package version 6.0-84. https://CRAN.R-project.org/package=caret
Kumar, P., Morawska, L., Martani, C., Biskos, G., Neophytou, M., Di Sabatino, S., ... & Britter, R. (2015). The rise of low-
cost sensing for managing air pollution in cities. Environment international, 75, 199-205.
L
Lamb, R. G., & Seinfeld, J. H. (1973). Mathematical modeling of urban air pollution. General theory. Environmental
Science & Technology, 7(3), 253-261.
Laughner, J. L., Zare, A., & Cohen, R. C. (2016). Effects of daily meteorology on the interpretation of space-based remote
sensing of NO 2. Atmospheric Chemistry and Physics, 16(23), 15247-15264.
Laughner, J. L., Zare, A., & Cohen, R. C. (2016). Effects of daily meteorology on the interpretation of space-based remote
sensing of NO 2. Atmospheric Chemistry and Physics, 16(23), 15247-15264.
Lee, H.J., Liu, Y., Coull, B.A., Schwartz, J., Koutrakis, P., 2011. A novel calibration approach of MODIS AOD data to predict
PM2.5 concentrations. Atmos. Chem. Phys. 11, 7991e8002
Leelőssy, Á., Molnár, F., Izsák, F., Havasi, Á., Lagzi, I., & Mészáros, R. (2014). Dispersion modeling of air pollutants in the
atmosphere: a review. Open Geosciences, 6(3), 257-278.
Leroy, M.; Deuzé, J.L.; Bréon, F.M.; Hautecoeur, O.; Herman, M.; Buriez, J.C.; Tanré, D.; Bouffies, S.; Chazette, P.;
Roujean, J.L. Retrieval of atmospheric properties and surface bidirectional reflectances over land from
POLDER/ADEOS. J. Geophys. Res. Atmos. 1997, 102, 17023–17037.
Leung, Y., Leung, K. S., Wong, M. H., Mak, T., Cheung, K. Y., Lo, L. Y., ... & Dong, Y. L. (2018). An integrated web-based
air pollution decision support system–a prototype. International Journal of Geographical Information Science, 1-28.
Levelt, P.F., Joiner, J., Tamminen, J., Veefkind, J.P., Bhartia, P.K., Zweers, D.C.S., et al., 2018. The Ozone Monitoring
Instrument: overview of 14 years in space. Atmos. Chem. Phys. 18, 5699–5745.
Levy, R. J. (2015). Carbon monoxide pollution and neurodevelopment: a public health concern. Neurotoxicology and
teratology, 49, 31-40.
Bibliografía
271
Levy, J. I., Greco, S. L., & Spengler, J. D. (2002). The importance of population susceptibility for air pollution risk
assessment: a case study of power plants near Washington, DC. Environmental Health Perspectives, 110(12), 1253-
1260.
Li, F., Ginoux, P., & Ramaswamy, V. (2010). Transport of Patagonian dust to Antarctica. Journal of Geophysical Research:
Atmospheres, 115(D18)
Li, C., Hsu, N.C., Tsay, S.-C., 2011. A study on the potential applications of satellite data in air quality monitoring and
forecasting. Atmos. Environ. 45 (22), 3663e3675.
Li, Y., Xue, Y., Guang, J., Mei, L., She, L., Fan, C., & Chen, G. (2017, July). Estimating ground-level PM 2.5 concentration
in beijing using BP ANN model from satellite data. In 2017 IEEE International Geoscience and Remote Sensing
Symposium (IGARSS) (pp. 4870-4873). IEEE.
Li, Y., Xue, Y., Guang, J., She, L., Fan, C., & Chen, G. (2018). Ground-Level PM2. 5 Concentration Estimation from Satellite
Data in the Beijing Area Using a Specific Particle Swarm Extinction Mass Conversion Algorithm. Remote Sensing,
10(12), 1906.
Li, Z., Roy, D. P., Zhang, H. K., Vermote, E. F., & Huang, H. (2019). Evaluation of Landsat-8 and Sentinel-2A Aerosol
Optical Depth Retrievals across Chinese Cities and Implications for Medium Spatial Resolution Urban Aerosol
Monitoring. Remote Sensing, 11(2), 122.
Licursi, M., Sierra, M. V., & Gómez, N. (2006). Diatom assemblages from a turbid coastal plain estuary: Río de la Plata
(South America). Journal of Marine systems, 62(1-2), 35-45.
Lijteroff, R., Cortinez, V., & Raba, J. (1999). Urban development and air quality in San Luis City, Argentina.
Environmental monitoring and assessment, 57(2), 169-182.
Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation. John Wiley & Sons.
Limaye, V., Knowlton, K., Sarkar, S., Ganguly, P., Pingle, S., Dutta, P., ... & Kakkad, K. (2018). Development of
Ahmedabad’s Air Information and Response (AIR) Plan to Protect Public Health. International journal of
environmental research and public health, 15(7), 1460.
Lin, S.-J., 2004. A vertically Lagrangian finite-volume dynamical core for global models. Mon. Wea. Rev., 132, 2293–
2307.
Lippmann Morton (2014). Toxicological and epidemiological studies of cardiovascular effects of ambient air fine
particulate matter (PM2.5) and its chemical components: coherence and public health implications. CritRev Toxicol.,
44(4): 299-347.
Liu, C.W., Lin, K.H., Kuo, Y.M., 2003. Application of factor analysis in the assessment of groundwater quality in a
blackfoot disease area in Taiwan. Science of Total Environment 313 (1–3), 77–89
Longhurst, J. W. S., Beattie, C. I., Chatterton, T. J., Hayes, E. T., Leksmono, N. S., & Woodfield, N. K. (2006). Local air
quality management as a risk management process: Assessing, managing and remediating the risk of exceeding an air
quality objective in Great Britain. Environment international, 32(8), 934-947.
Loomis D, Grosse Y, Lauby-Secretan B, et al; International Agency for Research on Cancer Monograph Working Group,
IARC. The carcinogenicity of outdoor air pollution. Lancet Oncol 2013; 14: 1262–1263.
López, M. L., Ceppi, S., Palancar, G. G., Olcese, L. E., Tirao, G., & Toselli, B. M. (2011). Elemental concentration and source
identification of PM10 and PM2. 5 by SR-XRF in Córdoba City, Argentina. Atmospheric environment, 45(31), 5450-
5457.
Lorenz, E. N. The Problem of Deducing the Climate from the Governing Equations. Telus. 1964, 16: 1-11
272
Lu F., Xu D., Cheng Y., Dong S., Guo C., Jiang X., Zheng X., 2015. Systematic review and meta-analysis of the adverse
health effects of ambient PM2.5 and PM10 pollution in the Chinese population. Environ Res., 136:196-204.
Luecken, D. J., Hutzell, W. T., & Gipson, G. L. (2006). Development and analysis of air quality modeling simulations for
hazardous air pollutants. Atmospheric Environment, 40(26), 5087-5096.
Lyapustin, A., Wang, Y., Laszlo, I., Kahn, R., Korkin, S., Remer, L., ... & Reid, J. S. (2011). Multiangle implementation of
atmospheric correction (MAIAC): 2. Aerosol algorithm. Journal of Geophysical Research: Atmospheres, 116(D3).
Lyapustin, A.; Wang, Y.; Korkin, S.; Huang (2018), D. MODIS Collection 6 MAIAC algorithm. Atmos. Meas. Tech., 11,
5741–5765
Lyapustin, A., Wang, Y. (2018). MCD19A2 MODIS/Terra+Aqua Land Aerosol Optical Depth Daily L2G Global 1km SIN
Grid V006 [Data set]. NASA EOSDIS Land Processes DAAC. doi: 10.5067/MODIS/MCD19A2.006
M
Ma, K. L., Liao, I., Frazier, J., Hauser, H., & Kostis, H. N. (2012). Scientific storytelling using visualization. IEEE Computer
Graphics and Applications, 32(1), 12-19.
Mahlman, J. D. (1997). Dynamics of transport processes in the upper troposphere. Science, 276(5315), 1079-1083.
Mao, X., Shen, T., & Feng, X. (2017). Prediction of hourly ground-level PM 2.5 concentrations 3 days in advance using
neural networks with satellite data in eastern China. Atmospheric Pollution Research, 8(6), 1005–
1015.doi:10.1016/j.apr.2017.04.002
Martínez, J., Saavedra, Á., García-Nieto, P. J., Piñeiro, J. I., Iglesias, C., Taboada, J., ... & Pastor, J. (2014). Air quality
parameters outliers detection using functional data analysis in the Langreo urban area (Northern Spain). Applied
Mathematics and Computation, 241, 1-10.
Masiol, M., Squizzato, S., Formenton, G., Harrison, R. M., & Agostinelli, C. (2017). Air quality across a European hotspot:
Spatial gradients, seasonality, diurnal cycles and trends in the Veneto region, NE Italy. Science of The Total
Environment, 576, 210-224.
Massolo L., Rehwagen M., Porta A., Herbarth O., Ronco A., Müller A (2010).“Indoor-outdoor distribution and risk
assessment of volatile organic compounds in the atmosphere of industrial and urban areas”. Environmental
Toxicology, 25(4):339-49.
Massolo, L., Rehwagen, M., Porta, A., Ronco, A., Herbarth, O., Mueller, A. “Indoor outdoor distribution and risk
assessment of volatile organic compounds in the atmosphere of industrial and urban areas”, Environmental
Toxicology. Vol. 25, pp: 339-349 (2010)
Mavko, M. E., Tang, B., & George, L. A. (2008). A sub-neighborhood scale land use regression model for predicting NO 2.
Science of the Total Environment, 398(1), 68-75.
Mavroidis, I., & Ilia, M. (2012). Trends of NOx, NO2 and O3 concentrations at three different types of air quality
monitoring stations in Athens, Greece. Atmospheric environment, 63, 135-147.
Mayer, H. (1999). Air pollution in cities. Atmospheric environment, 33(24-25), 4029-4037.
Mazzeo, N. A., Venegas, L. E., & Choren, H. (2005). Analysis of NO, NO2, O3 and NOx concentrations measured at a green
area of Buenos Aires City during wintertime. Atmospheric Environment, 39(17), 3055-3068.
McCollister, G. M., & Wilson, K. R. (1975). Linear stochastic models for forecasting daily maxima and hourly
concentrations of air pollutants. Atmospheric Environment (1967), 9(4), 417-423.
Bibliografía
273
McConnell, J. R., Aristarain, A. J., Banta, J. R., Edwards, P. R., & Simões, J. C. (2007). 20th-Century doubling in dust
archived in an Antarctic Peninsula ice core parallels climate change and desertification in South America. Proceedings
of the National Academy of Sciences, 104(14), 5743-5748.
McKinney, M. L. (2002). Urbanization, Biodiversity, and Conservation. The impacts of urbanization on native species are
poorly studied, but educating a highly urbanized human population about these impacts can greatly improve species
conservation in all ecosystems. Bioscience, 52(10), 883-890.
Mei, L.; Rozanov, V.; Vountas, M.; Burrows, J.P.; Levy, R.C.; Lotz, W. Retrieval of aerosol optical properties using MERIS
observations: Algorithm and some first results. Remote Sens. Environ. 2017, 197, 125–140.
Mendiguchía, C., Moreno, C., Galindo-Riaño, M.D., García-Vargas, M., 2004. Using chemometric tools to assess
anthropogenic effects in river water: a case study: Guadalquivir River (Spain). Analytica Chimica Acta 515 (1), 143–
149.
Meng, X., Fu, Q., Ma, Z., Chen, L., Zou, B., Zhang, Y., ... & Liu, Y. (2016). Estimating ground-level PM10 in a Chinese city
by combining satellite data, meteorological information and a land use regression model. Environmental Pollution,
208, 177-184.
Middleton, D. R. (1998). A new box model to forecast urban air quality: BOXURB. Environmental Monitoring and
Assessment, 52(1-2), 315-335.
Millán, M., Estrela, M. J., & Badenas, C. (1997). Situaciones sinópticas asociadas a la dinámica de incendios forestales en
la Comunidad Valenciana. Ecología, (11), 3-29.
Ministerio para la Transición Ecológica (2018). Evaluación de la Calidad del Aire en España 2018. Consultado en
https://www.miteco.gob.es/es/calidad-y-evaluacion-ambiental/temas/atmosfera-y-calidad-del-
aire/informeevaluacioncalidadaireespana2018_tcm30-498764.pdf. Último acceso 20-09-2019
Mintz, D. (2012). Technical assistance document for the reporting of daily air quality-the air quality index (aqi): Us
environmental protection agency. Office of Air Quality Planning and Standards, 1-26.
Mitchell, G., Norman, P., & Mullin, K. (2015). Who benefits from environmental policy? An environmental justice analysis
of air quality change in Britain, 2001–2011. Environmental Research Letters, 10(10), 105009.
Molina, M. J., & Molina, L. T. (2004). Megacities and atmospheric pollution. Journal of the Air & Waste Management
Association, 54(6), 644-680.
Monks, P. S., Granier, C., Fuzzi, S., Stohl, A., Williams, M. L., Akimoto, H., ... & Blake, N. (2009). Atmospheric composition
change–global and regional air quality. Atmospheric environment, 43(33), 5268-5350.
Monteiro, A., Vautard, R., Borrego, C., & Miranda, A. I. (2005). Long-term simulations of photo oxidant pollution over
Portugal using the CHIMERE model. Atmospheric Environment, 39(17), 3089-3101.
Moran, P. A. (1948). The interpretation of statistical maps. Journal of the Royal Statistical Society. Series B
(Methodological), 10(2), 243-251.
N
Næss, Ø., Piro, F. N., Nafstad, P., Smith, G. D., & Leyland, A. H. (2007). Air pollution, social deprivation, and mortality: a
multilevel cohort study. Epidemiology, 18(6), 686-694.
NASA. (2019, 6 noviembre). Validation Method. Recuperado 25 noviembre, 2019, de
https://darktarget.gsfc.nasa.gov/validation
Natenzon, C; Marlenko, N.; González, S.; Ríos, D.; Murgida, A; Meconi G; Calvo, A. 2003. "Las dimensiones del riesgo en
ámbitos urbanos. Catástrofes en el Área Metropolitana de Buenos Aires". En: ALESSANDRI CARLOS, Ana Fani;
274
Roberto BERTONCELLO. Procesos territoriales en Argentina y Brasil. Buenos Aires: Universidad de Buenos Aires/
Universidad de San Pablo. pp. 255-276.
Ni, X., Cao, C., Zhou, Y., Cui, X., & P Singh, R. (2018). Spatio-Temporal Pattern Estimation of PM2. 5 in Beijing-Tianjin-
Hebei Region Based on MODIS AOD and Meteorological Data Using the Back Propagation Neural Network.
Atmosphere, 9(3), 105.
Niska, H., Rantamäki, M., Hiltunen, T., Karppinen, A., Kukkonen, J., Ruuskanen, J., & Kolehmainen, M. (2005).
Evaluation of an integrated modelling system containing a multi-layer perceptron model and the numerical weather
prediction model HIRLAM for the forecasting of urban airborne pollutant concentrations. Atmospheric Environment,
39(35), 6524-6536.
NTP (National Toxicology Program). Report on Carcinogens, Thirteenth Edition. Research Triangle Park, NC: U.S.
Department of Health and Human Services, Public Health Service. 2014
O
Olcese, L. E., & Toselli, B. M. (1997). Effects of meteorology and land use on ambient measurements of primary pollutants
in Córdoba city, Argentina. Meteorology and Atmospheric Physics, 62(3), 241-248.
Olsthoorn, X., Amann, M., Bartonova, A., Clench-Aas, J., Cofala, J., Dorland, K., ... & Larssen, S. (1999). Cost benefit
analysis of European air quality targets for sulphur dioxide, nitrogen dioxide and fine and suspended particulate
matter in cities. Environmental and resource economics, 14(3), 333-351.
Oliver, M.A., (1990) KRIGING, A method of interpolations for geographical information systems. Int. J. Geographical
Information Systems. Vol. 4(3): 313-332.
Oliver, M. A. "Kriging: A Method of Interpolation for Geographical Information Systems". International Journal of
Geographic Information Systems 4: 313–332. 1990.
Olvera-García, M. Á., Carbajal-Hernández, J. J., Sánchez-Fernández, L. P., & Hernández-Bautista, I. (2016). Air quality
assessment using a weighted Fuzzy Inference System. Ecological informatics, 33, 57-74.
O'Neill, M. S., Jerrett, M., Kawachi, I., Levy, J. I., Cohen, A. J., Gouveia, N., ... & Workshop on Air Pollution and
Socioeconomic Conditions. (2003). Health, wealth, and air pollution: advancing theory and methods. Environmental
health perspectives, 111(16), 1861-1870.
Orona, N. S., Ferraro, S. A., Astort, F., Morales, C., Brites, F., Boero, L., ... & Tasat, D. R. (2016). Acute exposure to Buenos
Aires air particles (UAP-BA) induces local and systemic inflammatory response in middle-aged mice: A time course
study. Environmental pollution, 208, 261-270.
Orte, M. A., Coman Lerner, J., Gutiérrez, M., Elordi, L., Matamoros, N., Reyna Almandos, J., & Porta, A. (2015). Estudio
de hidrocarburos aromáticos policíclicos asociados al material particulado y en fase gaseosa en la ciudad de La Plata
y alrededores. Libro de Actas de PROIMCA.
Otero L. A.; P. R. Ristori; E. Pawelko; J. Pallotta; R. D'Elia; E. Quel. Biomass Burning Aerosol Detection over Buenos Aires
City, August 2009. Journal of Physics: Conference Series.: IOP Publishing (doi:10.1088/1742-6596/274/1/012092),
vol.274 n°1, ISSN 1742-6596 [http://iopscience.iop.org/1742-6596/274/1/012092] (2011).
Otero L. A., P. Ristori, J. V. Pallotta, E. Pawelko, E. Quel. (2012). The Puyehue-Cordón Caulle Volcanic Eruption, June
2011: Water Vapor, Atmospheric Boundary Layer and Aerosol Temporal Evolution in Buenos Aires, Argentina. Revista
Boliviana de Física. [online]. 2012, vol.21, no.21
Organización Mundial de la Salud (2006). Guías de calidad del aire de la OMS relativas al material particulado, el ozono,
el dióxido de nitrógeno y el dióxido de azufre. Actualización mundial 2005. Recuperado de
https://www.who.int/phe/health_topics/AQG_spanish.pdf
Bibliografía
275
Ortegón, E. (2007). Manual de prospectiva y decisión estratégica: bases teóricas e instrumentos para América Latina y
el Caribe (Vol. 51). United Nations Publications.
Oshima, N., Kato, H., & Kadokura, S. (2002). An application of statistical downscaling to estimate surface air temperature
in Japan. Journal of Geophysical Research: Atmospheres, 107(D10), ACL-14.
Osseiran, N., & Chriscaden, K. (2016). Air pollution levels rising in many of the world’s poorest cities. World Health
Organization
Ostro, B., & World Health Organization (2004). Outdoor air pollution: assessing the environmental burden of disease at
national and local levels.
P
Paatero, P., Tapper, U., 1994. Positive matrix factorization: a non-negative factor model with optimal utilization of error
estimates of data values. Environmetrics 5, 111–126.
Paciorek, C.J., Liu, Y., Moreno-Macias, H., Kondragunta, S., 2008. Spatiotemporal associations between GOES aerosol
optical depth retrievals and ground-level PM2.5. Environ. Sci. Technol. 42, 5800e5806.
Pacyna, J. M., & Graedel, T. E. (1995). Atmospheric emissions inventories: status and prospects. Annual review of energy
and the environment, 20(1), 265-300.
Patier, R. F. (2015). La evaluación de la calidad del aire en el marco de la Unión Europea y su repercusión en España.
Revista de Salud Ambiental, 15, 61-64.
Paul, M. J., & Meyer, J. L. (2001). Streams in the urban landscape. Annual review of Ecology and Systematics, 32(1),
333-365.
Peel, M. C., Finlayson, B. L., & McMahon, T. A. (2007). Updated world map of the Köppen-Geiger climate classification.
Hydrology and earth system sciences discussions, 4(2), 439-473.
Peled, R. (2011). Air pollution exposure: Who is at high risk? Atmospheric Environment, 45(10), 1781-1785.
Petkova, E. P., Jack, D. W., Volavka-Close, N. H., & Kinney, P. L. (2013). Particulate matter pollution in African cities. Air
Quality, Atmosphere & Health, 6(3), 603-614.
Petrenko, M., Ichoku, C., & Leptoukh, G. (2012). Multi-sensor aerosol products sampling system (MAPSS). Atmospheric
Measurement Techniques, 5(5), 913-926.
Pfender, W., Graw, R., Bradley, W., Carney, M., & Maxwell, L. (2006). Use of a complex air pollution model to estimate
dispersal and deposition of grass stem rust urediniospores at landscape scale. Agricultural and forest meteorology,
139(1-2), 138-153.
Pires, J.C.M., Sousa, S.I.V., Pereira, M.C., Alvim-Ferraz, M.C.M., Martins, F.G., 2008a. Management of air quality
monitoring using principal component and cluster analysis – part I: SO2 and PM10. Atmospheric Environment 42
(6), 1249–1260.
Pires, J.C.M., Sousa, S.I.V., Pereira, M.C., Alvim-Ferraz, M.C.M., Martins, F.G., 2008b. Management of air quality
monitoring using principal component and cluster analysis – part II: CO, NO2 and O3. Atmospheric Environment 42
(6), 1261–1274
Pires, J. C. M., Pereira, M. C., Alvim-Ferraz, M. C. M., & Martins, F. G. (2009). Identification of redundant air quality
measurements through the use of principal component analysis. Atmospheric environment, 43(25), 3837-3842.
276
PNUMA/OMS 2002 Manuales de Metodología de GEMS/Aire. Volumen 1. Aseguramiento de la calidad en el monitoreo
de la calidad del aire urbano Traducción del Centro Panamericano de Ingeniería Sanitaria y Ciencias del Ambiente
(OPS/CEPIS) On line: http://www.bvsde.paho.org/bvsci/e/fulltext/gemsaire/volumen_1.pdf
Podobnik, B., Grosse, I., Horvatić, D., Ilic, S., Ivanov, P. C., & Stanley, H. E. (2009). Quantifying cross-correlations using
local and global detrending approaches. The European Physical Journal B, 71(2), 243.
Pöschl, U. (2005). Atmospheric aerosols: composition, transformation, climate and health effects. Angewandte Chemie
International Edition, 44(46), 7520-7540.
Prasad, A. K., Singh, S., Chauhan, S. S., Srivastava, M. K., Singh, R. P., & Singh, R. (2007). Aerosol radiative forcing over
the Indo-Gangetic plains during major dust storms. Atmospheric Environment, 41(29), 6289-6301.
Pressman, R. S. 2005. Software Engineering: A Practitioner’s Approach, 6th edition. McGraw-Hill Science
Pi, D. J. D., Garay, M. J., Seidel, F. C., Bruegge, C. J., Jovanovic, V. M., Bull, M. A., ... & Xu, F. (2017). AirMSPI Data
Quality Statement: ORACLES Campaign.
Pires, J. C. M., Sousa, S. I. V., Pereira, M. C., Alvim-Ferraz, M. C. M., & Martins, F. G. (2008). Management of air quality
monitoring using principal component and cluster analysis—Part II: CO, NO2 and O3. Atmospheric Environment,
42(6), 1261-1274.
Pizarro Hofer, R. (2001). La vulnerabilidad social y sus desafíos: una mirada desde América Latina. CEPAL.
Pope 3rd, C. A. (2000). Epidemiology of fine particulate air pollution and human health: biologic mechanisms and who's
at risk?. Environmental health perspectives, 108(suppl 4), 713-723.
Pope III, C. A., Burnett, R. T., Thun, M. J., Calle, E. E., Krewski, D., Ito, K., & Thurston, G. D. (2002). Lung cancer,
cardiopulmonary mortality, and long-term exposure to fine particulate air pollution. Jama, 287(9), 1132-1141.
Puliafito, E., Gantuz, M., & Puliafito, J. L. (2010). Characterizing mobile emissions by on-board measurements.
International Journal for Applied Environmental Studies, 5(2), 297-316.
Puliafito, S. E., Allende, D., Fernández, R., Castro, F., & Cremades, P. (2011). New approaches for urban and regional air
pollution modelling and management. In Advanced Air Pollution. InTech.
Puliafito, S. E., Allende, D., Pinto, S., & Castesana, P. (2015). High resolution inventory of GHG emissions of the road
transport sector in Argentina. Atmospheric Environment, 101, 303-311.
Prüss-Üstün, A., Wolf, J., Corvalán, C., Bos, R., & Neira, M. (2016). Preventing disease through healthy environments: a
global assessment of the burden of disease from environmental risks. World Health Organization.
R
R Core Team (2013). R: A language and environment for statistical computing.
Rasmussen, R. A. (1972). What do the hydrocarbons from trees contribute to air pollution?. Journal of the Air Pollution
Control Association, 22(7), 537-543.
Ratto, G., Videla, F., Almandos, J. R., Maronna, R., & Schinca, D. (2006). Study of meteorological aspects and urban
concentration of SO2 in atmospheric environment of La Plata, Argentina. Environmental monitoring and assessment,
121(1-3), 327-342.
Ratto, G. (2016). Estudio de parámetros ambientales utilizando técnicas espectroscópicas, datos meteorológicos y
métodos estadísticos (Doctoral dissertation, Universidad Nacional de La Plata).
Bibliografía
277
Reckziegel, F., Bustos, E., Mingari, L., B´aez, W., Villarosa, G., Folch, A., Collini, E., Viramonte, J., Romero, J., Osores, S.,
Forecasting volcanic ash dispersal and coeval resuspension during the April–May 2015 Calbuco eruption, Journal of
Volcanology and Geothermal Research (2016), doi: 10.1016/j.jvolgeores.2016.04.03
Reichert, E. (2003). Social work and human rights: A foundation for policy and practice. New York, NY: Columbia
University.
Represa, S., Mellado, D., Bali, L., Lerner, C., Esteban, J., Sánchez, Y., & Porta, A. A. (2016). Aplicación de tecnologías de
sistemas de información geográfica (SIG) para la estimación del riesgo por exposición a compuestos orgánicos
volátiles (COVs). In III Congreso de la Sociedad de Análisis de Riesgo Latinoamericana (SRA‐LA) (Brasil, mayo de
2016).
Resquin, M. D., Santágata, D., Gallardo, L., Gómez, D., Rössler, C., & Dawidowski, L. (2018). Local and remote black
carbon sources in the Metropolitan Area of Buenos Aires. Atmospheric environment, 182, 105-114.
Richter, A. and Wagner, T.: The Use of UV, Visible and Near IR Solar Back Scattered Radiation to Determine Trace Gases,
in: The Remote Sensing of Tropospheric Composition from Space, edited by: Burrows, J., Platt, U., and Borrell, P.,
Springer, New York, 2011
Ristori, P., Otero, L., Fochesatto, J., Flamant, P. H., Wolfram, E., Quel, E., ... & Holben, B. (2003). Aerosol optical
properties measured in Argentina: wavelength dependence and variability based on sun photometer measurements.
Optics and lasers in engineering, 40(1-2), 91-104.
Ristori P., L. Otero, E. Pawelko, J. Pallotta. (2010). Aerosol and atmospheric boundary layer temporal evolution in Buenos
Aires, Argentina during May 12, 2006. Proceedings of the 25th International Laser Radar Conference, 5–9 July 2010,
St.-Petersburg, Russia, Publishing House of IAO SB RAS, 2010. ISBN 978-5-94458-109-9. Vol. I, 684-686 (2010).
Rodriguez JD, Perez A, Lozano JA (2010) Sensitivity analysis of k-fold cross validation in prediction error estimation.
IEEE Trans Pattern Anal Mach Intell 32:569–575
Rodriguez, J. H., Weller, S. B., Wannaz, E. D., Klumpp, A., & Pignata, M. L. (2011). Air quality biomonitoring in
agricultural areas nearby to urban and industrial emission sources in Córdoba province, Argentina, employing the
bioindicator Tillandsia capillaris. Ecological indicators, 11(6), 1673-1680.
Rückerl R., A. Schneider, S. Breitner, J. Cyrys, A. Peters (2011). Health effects of particulate air pollution: a review of
epidemiological evidence. Inhalation Toxicology, 23(10):555–592.
Ruiz, S., Fernández-Olmo, I., & Irabien, Á. (2014). Discussion on graphical methods to identify point sources from wind
and particulate matter-bound metal data. Urban Climate, 10, 671-681.
Russell, N., Ter Hofstede, A. H., Edmond, D., & van der Aalst, W. M. (2005, October). Workflow data patterns:
Identification, representation and tool support. In International Conference on Conceptual Modeling (pp. 353-368).
Springer, Berlin, Heidelberg.
Russo, A., Lind, P. G., Raischel, F., Trigo, R., & Mendes, M. (2015). Neural network forecast of daily pollution
concentration using optimal meteorological data at synoptic and local scales. Atmospheric Pollution Research, 6(3),
540-549.
S
Sadat, Y. K., Nikaein, T., & Karimipour, F. (2015). Fuzzy spatial association rule mining to analyze the effect of
environmental variables on the risk of allergic asthma prevalence. Geodesy and Cartography, 41(2), 101-112.
Saisana, M., Dubois, G., Chaloulakou, A., & Spyrellis, N. (2004). Classification criteria and probability risk maps:
Limitations and perspectives.
278
Salako, G. O., & Hopke, P. K. (2012). Impact of percentile computation method on PM 24-h air quality standard.
Journal of environmental management, 107, 110-113.
Sammarco, M., Tse, R., Pau, G., & Marfia, G. (2017). Using geosocial search for urban air pollution monitoring. Pervasive
and Mobile Computing, 35, 15-31.
Samper, F.J. & J. Carrera 1990. Geoestadística. Aplicaciones a la Hidrogeología Subterránea. Centro Internacional de
Métodos Numéricos en Ingeniería. Universitat Politécnica de Catalunya. Barcelona.
Schikowski, T., Krämer, U., Kuhlbusch, T. A., & Hoffmann, B. (2017). Land use regression modeling of oxidative potential
of fine particles, NO2, PM2. 5 mass and association to type two diabetes mellitus. Atmospheric Environment, 171, 181-
190.
Scire, J. S., Strimaitis, D. G., & Yamartino, R. J. (2000). A user’s guide for the CALPUFF dispersion model. Earth Tech,
Inc. Concord, MA, 10.
Seinfeld, J. H., & Pandis, S. N. (2016). Atmospheric chemistry and physics: from air pollution to climate change. John
Wiley & Sons.
Sekar, C., Gurjar, B. R., Ojha, C. S. P., & Goyal, M. K. (2015). Potential assessment of neural network and decision
tree algorithms for forecasting ambient PM 2.5 and CO concentrations: Case study. Journal of Hazardous, Toxic, and
Radioactive Waste, 20(4), A5015001.
Sen, Pranab Kumar. "Estimates of the regression coefficient based on Kendall's tau." Journal of the American Statistical
Association 63.324 (1968): 1379-1389.
Shah, A. S., Langrish, J. P., Nair, H., McAllister, D. A., Hunter, A. L., Donaldson, K., ... & Mills, N. L. (2013). Global
association of air pollution and heart failure: a systematic review and meta-analysis. The Lancet, 382(9897), 1039-
1048
Shah, T., Rabhi, F., & Ray, P. (2015). Investigating an ontology-based approach for Big Data analysis of inter-dependent
medical and oral health conditions. Cluster Computing, 18(1), 351–367
Shapiro, S. S., & Francia, R. S. (1972). An approximate analysis of variance test for normality. Journal of the American
Statistical Association, 67(337), 215-216.
Shi, J. P., & Harrison, R. M. (1997). Regression modelling of hourly NOx and NO2 concentrations in urban air in London.
Atmospheric Environment, 31(24), 4081-4094.
Shimodaira, H. (2004). Approximately unbiased tests of regions using multistep-multiscale bootstrap resampling. The
Annals of Statistics, 32(6), 2616-2641.
Shtein, A., Karnieli, A., Katra, I., Raz, R., Levy, I., Lyapustin, A., ... & Kloog, I. (2018). Estimating daily and intra-daily
PM10 and PM2. 5 in Israel using a spatio-temporal hybrid modeling approach. Atmospheric Environment, 191, 142-
152.
Silva, C., & Quiroz, A. (2003). Optimization of the atmospheric pollution monitoring network at Santiago de Chile.
Atmospheric Environment, 37(17), 2337-2345.
Simonds, M., Xiao, H., & Levine, S. P. (1994). Optical remote sensing for air pollutants-review. American Industrial
Hygiene Association Journal, 55(10), 953-965.
Sivarajah, U., Kamal, M. M., Irani, Z., & Weerakkody, V. (2017). Critical analysis of Big Data challenges and analytical
methods. Journal of Business Research, 70, 263-286.
Skamarock, W. C., & Klemp, J. B. (2008). A time-split nonhydrostatic atmospheric model for weather research and
forecasting applications. Journal of computational physics, 227(7), 3465-3485.
Smith, M., Goodchild, M., & Longley, P (2015). Univariate classification schemes en Geospatial Analysis.
Bibliografía
279
Smithline, H. A., Ward, K. R., Chiulli, D. A., Blake, H. C., & Rivers, E. P. (2003). Whole body oxygen consumption and
critical oxygen delivery in response to prolonged and severe carbon monoxide poisoning. Resuscitation, 56(1), 97-
104.
Soares, A., & Pereira, M. J. (2007). Space–time modelling of air quality for environmental-risk maps: A case study in
South Portugal. Computers & Geosciences, 33(10), 1327-1336.
Solecki, W., Seto, K. C., & Marcotullio, P. J. (2013). It's time for an urbanization science. Environment: science and policy
for sustainable development, 55(1), 12-17.
Soler, Y. (2017). Teorías sobre los sistemas complejos. Administración & Desarrollo, 47(2), 52-69.
Sosa, B. S., Porta, A., Lerner, J. E. C., Noriega, R. B., & Massolo, L. (2017). Human health risk due to variations in PM 10-
PM 2.5 and associated PAHs levels. Atmospheric Environment, 160, 27-35.
Sørensen, M. P. (2018). Ulrich Beck: exploring and contesting risk. Journal of Risk Research, 21(1), 6-16.
Sprent, P., & Smeeton, N. C. (2016). Applied nonparametric statistical methods. CRC Press.
Stafoggia, M., Schwartz, J., Badaloni, C., Bellander, T., Alessandrini, E., Cattani, G., ... & Sorek-Hamer, M. (2017).
Estimation of daily PM 10 concentrations in Italy (2006–2012) using finely resolved satellite data, land use variables
and meteorology. Environment international, 99, 234-244.
Stafoggia, M., Bellander, T., Bucci, S., Davoli, M., de Hoogh, K., De'Donato, F., ... & Scortichini, M. (2019). Estimation of
daily PM10 and PM2. 5 concentrations in Italy, 2013–2015, using a spatiotemporal land-use random-forest model.
Environment international, 124, 170-179.
Stein, A. F., Draxler, R. R., Rolph, G. D., Stunder, B. J., Cohen, M. D., & Ngan, F. (2015). NOAA’s HYSPLIT atmospheric
transport and dispersion modeling system. Bulletin of the American Meteorological Society, 96(12), 2059-2077.
Stern, N. (2007). The Economics of Climate Change: The Stern Review. Cambridge, UK: Cambridge University Press.
Stieb, D. M., Burnett, R. T., Smith-Doiron, M., Brion, O., Shin, H. H., & Economou, V. (2008). A new multipollutant, no-
threshold air quality health index based on short-term associations observed in daily time-series analyses. Journal of
the Air & Waste Management Association, 58(3), 435-450.
Stocker, T. F., Qin, D., Plattner, G. K., Tignor, M., Allen, S. K., Boschung, J., Nauels, A., Xia, Y., and Bex, V.: The physical
science basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on
Climate Change, Computational Geometry, 18, 95–123, 2013.
Strong, D. M., Lee, Y. W., & Wang, R. Y. (1997). Data quality in context. Communications of the ACM, 40(5), 103-110.
Sugimoto, N., Nishizawa, T., Shimizu, A., Matsui, I., & Jin, Y. (2014, November). Characterization of aerosols in East Asia
with the Asian dust and aerosol lidar observation network (AD-Net). In Lidar Remote Sensing for Environmental
Monitoring XIV (Vol. 9262, p. 92620K). International Society for Optics and Photonics.
Sulemana, I. (2012). Assessing Over-aged Car Legislation as an Environmental Policy Law in Ghana. International Journal
of Business and Social Science, 3(20).
Sun, W., Zhang, H., Palazoglu, A., Singh, A., Zhang, W., & Liu, S. (2013). Prediction of 24-hour-average PM2. 5
concentrations using a hidden Markov model with different emission distributions in Northern California. Science of
the total environment, 443, 93-103.
T
Tai, A. P., Mickley, L. J., Jacob, D. J., Leibensperger, E. M., Zhang, L., Fisher, J. A., & Pye, H. O. T. (2012). Meteorological
modes of variability for fine particulate matter (PM 2.5) air quality in the United States: implications for PM 2.5
sensitivity to climate change. Atmospheric Chemistry and Physics, 12(6), 3131-3145.
280
Tansley, S., & Tolle, K. M. (2009). The fourth paradigm: data-intensive scientific discovery (Vol. 1). A. J. Hey (Ed.).
Redmond, WA: Microsoft research.
Teillet, P. M., & Fedosejevs, G. (1995). On the dark target approach to atmospheric correction of remotely sensed data.
Canadian Journal of Remote Sensing, 21(4), 374-387.
Tenías, J. M., Ballester, F., & Rivera, M. L. (1998). Association between hospital emergency visits for asthma and air
pollution in Valencia, Spain. Occupational and environmental medicine, 55(8), 541-547.
Thurston, G.D., Spengler, J.D., 1985. A quantitative assessment of source contributions to inhalable particulate matter
pollution in metropolitan Boston. Atmospheric Environment 19, 9–25
Tian, H., Liu, K., Hao, J., Wang, Y., Gao, J., Qiu, P. and Zhu, C. (2013). Nitrogen oxides emissions from thermal power
plants in China: Current status and future predictions. Environ. Sci. Technol. 47: 11350–11357.
Tombesi, N., Pozo, K., & Harner, T. (2014). Persistent organic pollutants (POPs) in the atmosphere of agricultural and
urban areas in the province of Buenos Aires in Argentina using PUF disk passive air samplers. Atmospheric Pollution
Research, 5(2), 170-178.
Torres, O.; Bhartia, P.K.; Herman, J.R.; Sinyuk, A.; Ginoux, P.; Holben, B (2002). A long-term record of aerosol optical
depth from TOMS observations and comparison to AERONET measurements. J. Atmos. Sci., 59, 398–413.
Torres, O., Tanskanen, A., Veihelmann, B., Ahn, C., Braak, R., Bhartia, P. K., ... & Levelt, P. (2007). Aerosols and surface
UV products from Ozone Monitoring Instrument observations: An overview. Journal of Geophysical Research:
Atmospheres, 112(D24).
U
Ulke, A. G., & Mazzeo, N. A. (1998). Climatological aspects of the daytime mixing height in Buenos Aires city, Argentina.
Atmospheric Environment, 32(9), 1615-1622.
Ulke, A. G., Brizuela, M. M. T., Raga, G. B., & Baumgardner, D. (2016). Aerosol properties and meteorological conditions
in the city of Buenos Aires, Argentina, during the resuspension of volcanic ash from the Puyehue-Cordón Caulle
eruption. Natural Hazards & Earth System Sciences, 16(9).
V
Vahlsing, C., & Smith, K. R. (2012). Global review of national ambient air quality standards for PM 10 and SO 2 (24 h).
Air Quality, Atmosphere & Health, 5(4), 393-399.
van Donkelaar, A., Martin, R. V., Brauer, M., Kahn, R., Levy, R., Verduzco, C., & Villeneuve, P. J. (2010). Global estimates
of ambient fine particulate matter concentrations from satellite-based aerosol optical depth: development and
application. Environmental health perspectives, 118(6), 847-855.
Van den Elshout, S., Léger, K., & Heich, H. (2014). CAQI common air quality index—Update with PM2. 5 and sensitivity
analysis. Science of the Total Environment, 488, 461-468.
Vardoulakis, S., Valiantis, M., Milner, J., & ApSimon, H. (2007). Operational air pollution modelling in the UK—Street
canyon applications and challenges. Atmospheric Environment, 41(22), 4622-4637.
Vasconcellos PC., DZ. Souza, SG. Ávila, MP. Araújo, E. Naoto, KH. Nascimento, FS. Cavalcante, M. Dos Santos,
P.Smichowski, E.Behrentz (2011). Comparative study of the atmospheric chemical composition of three South
American cities. Atmospheric Environment, 45: 5770-5777.
Bibliografía
281
Venegas, L. E., & Mazzeo, N. A. (1999). Atmospheric stagnation, recirculation and ventilation potential of several sites in
Argentina. Atmospheric Research, 52(1), 43-57.
Venegas, L. E., & Mazzeo, N. A. (2006). Modelling of urban background pollution in Buenos Aires City (Argentina).
Environmental Modelling & Software, 21(4), 577-586.
Voorhees, A. S. (2005). Benefits analysis of particulate matter control programs–a case study of Tokyo. Journal of Risk
Research, 8(4), 311-329.
Voukantsis, D., Karatzas, K., Kukkonen, J., Räsänen, T., Karppinen, A., & Kolehmainen, M. (2011). Intercomparison of air
quality data using principal component analysis, and forecasting of PM10 and PM2. 5 concentrations using artificial
neural networks, in Thessaloniki and Helsinki. Science of the Total Environment, 409(7), 1266-1276.
W
Wackernagel. H. 1995. Multivariate Geostatistics. An Introduction with Applications. Springer-Verlag, Berlín
Wang, J., Zhang, X., Guo, Z., & Lu, H. (2017b). Developing an early-warning system for air quality prediction and
assessment of cities in China. Expert Systems with Applications, 84, 102-116.
Wang, J., & Song, G. (2018). A deep spatial-temporal ensemble model for air quality prediction. Neurocomputing, 314,
198-206.
Wang, D., Wei, S., Luo, H., Yue, C., & Grunder, O. (2017 a). A novel hybrid model for air quality index forecasting
based on two-phase decomposition technique and modified extreme learning machine. Science of The Total
Environment, 580, 719-733.
Wang, L., Zhong, B., Vardoulakis, S., Zhang, F., Pilot, E., Li, Y., ... & Krafft, T. (2016). Air quality strategies on public health
and health equity in Europe—a systematic review. International journal of environmental research and public health,
13(12), 1196.
Wang, Z., King, E., Smith, G., Bellgard, M., Broomhall, M., Chedzey, H., ... & Schibeci, D. (2011). RS-YABI: A workflow
system for Remote Sensing Processing in AusCover.
Watson, A., Bates, R., and Kennedy, D. (1988). Air Pollution, the Automobile, and Public Health. National Academies
Press
Watson, J.G., Chow, J.C., Fujita, E.M., 2001. Review of volatile organic compounds source apportionment by chemical
mass balance. Atmospheric Environment 35, 1567–1584
Welton, E. J., Campbell, J. R., Berkoff, T. A., Valencia, S., Spinhirne, J. D., Holben, B., ... & Schmid, B. (2006). The NASA
Micro-Pulse Lidar Network (MPLNET): an overview and recent results. Opt. Pur. Apl, 39, 67-74.
Wentz, E., Anderson, S., Fragkias, M., Netzband, M., Mesev, V., Myint, S., ... & Seto, K. (2014). Supporting global
environmental change research: A review of trends and knowledge gaps in urban remote sensing. Remote Sensing,
6(5), 3879-3905.
Wichmann FA., LE. Busi, NF. Cianni, L. Massolo, A. Müller, A. Porta, PD. Sly (2009). “Increased asthma and respiratory
symptoms in children exposed to petrochemical pollution”. Journal of Allergy and Clinical Immunology, 12 (3): 632-
638.
Wickham, H (2007). Reshaping Data with the reshape Package. Journal of Statistical Software, 21(12), 1-20. URL
http://www.jstatsoft.org/v21/i12/.
Wickham H. (2009). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York.
Wickham, H (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York.
282
Wickham H, R François, L Henry and K Müller (2019). dplyr: A Grammar of Data Manipulation. R package version
0.8.0.1. https://CRAN.R-project.org/package=dplyr
Winiwarter, W., & Klimont, Z. (2011). The role of N-gases (N2O, NOx, NH3) in cost-effective strategies to reduce
greenhouse gas emissions and air pollution in Europe. Current Opinion in Environmental Sustainability, 3(5), 438-
445.
Wofsy, S.C., Afshar, S., Allen, H.M., APEL, E., Asher, E.C., Barletta, B., Bent, J., Bian, H., Biggs, B.C., Blake, D.R. and
Blake, N., 2018. ATom: Merged atmospheric chemistry, trace gases, and aerosols. ORNL DAAC.
World Air Quality Index project. (2015, 16 mayo). World Health Organization: 2014 Air Pollution Ranking. Recuperado
22 noviembre, 2019, de https://aqicn.org/faq/2015-05-16/world-health-organization-2014-air-pollution-ranking/
World Health Organization (1999), Environmental Health Criteria, No. 213: Carbon Monoxide (second edition), ISBN 92
4 157213 2 http://www.inchem.org/documents/ehc/ehc/ehc213.htm Checked July 2018
World Health Organization (2000) Air quality guidelines for Europe; second edition Copenhagen, WHO Regional Office
for Europe, 2000 (WHO regional publications. European series; No 91), (full background material available on
http://www.euro.who.int/air/activities/20050223_4)
World Health Organization, 2005. Air Quality Guidelines for Particulate Matter, Ozone, Nitrogen Dioxide and Sulfur
Dioxide. World Health Organization, Geneva, Switzerland.
World Health Organization. (2006). Air quality guidelines: global update 2005: particulate matter, ozone, nitrogen
dioxide, and sulfur dioxide. World Health Organization.
World Health Organization (2013). Review of evidence on health aspects of air pollution – REVIHAAP Project. WHO
European Centre for Environment and Health, Bonn, WHO 2013. 309 pp.
World Health Organization. Global Health Observatory (GHO) data: urban population growth. Geneva, Switzerland:
WHO, 2015. http://www.who.int/gho/urban_health/situation_trends/ urban_population_growth_text/en/
Accessed March 2015.
World Health Organization (2016 a). Global report on urban health: equitable, healthier cities for sustainable
development.
World Health Organization (2016 b). Health as the pulse of the new urban agenda: United Nations conference on housing
and sustainable urban development, Quito, October 2016.
World Health Organization Ambient (Outdoor) Air Quality and Health, 2018. Available online:
https://www.who.int/newsroom/fact-sheets/detail/ambient-(outdoor)-air-quality-and-health (accessed on 11
February 2019).
World Health Organization (2019). Ambient Air Pollution Database. Geneva, Switzerland: WHO, 2019.
http://www.who.int/phe/health_topics/outdoorair/databases/cities/en/ Accessed July 2019.
X
Xie, Y., Zhao, L., Xue, J., Gao, H.O., Li, H., Jiang, R., Qiu, X. and Zhang, S., 2018. Methods for defining the scopes and
priorities for joint prevention and control of air pollution regions based on data-mining technologies. Journal of
cleaner production, 185, pp.912-921.
Bibliografía
283
Y
Yang, Q. & Wu, X. 2006. 10 challenging problems in data mining research. International Journal of Information
Technology and Decision Making 5(4), 597–604.
Yang, F., Tan, J., Zhao, Q., Du, Z., He, K., Ma, Y., Duan, F. and Chen, G.J.A.C., 2011. Characteristics of PM 2.5 speciation
in representative megacities and across China. Atmospheric Chemistry and Physics, 11(11), pp.5207-5219.
Yap, X.Q., Hashim, M., 2013. A robust calibration approach for PM10 prediction from MODIS aerosol optical depth.
Atmos. Chem. Phys. 13, 3517e3526.
Yeganeh, B., Hewson, M. G., Clifford, S., Knibbs, L. D., & Morawska, L. (2017). A satellite-based model for estimating
PM2. 5 concentration in a sparsely populated environment using soft computing techniques. Environmental
Modelling & Software, 88, 84-92.
Yeh, S., & Small, M. J. (2002). Incorporating exposure models in probabilistic assessment of the risks of premature
mortality from particulate matter. Journal of Exposure Science and Environmental Epidemiology, 12(6), 389.
Yidana, S.M., Ophori, D., Banoeng-Yakubo, B., 2008. A multivariate statistical analysis of surface water chemistry
datadthe Ankobra Basin, Ghana. Journal of Environmental Management 86, 80–87.
Young, M. T., Bechle, M. J., Sampson, P. D., Szpiro, A. A., Marshall, J. D., Sheppard, L., & Kaufman, J. D. (2016). Satellite-
based NO2 and model validation in a national prediction model based on universal Kriging and land-use regression.
Environmental science & technology, 50(7), 3686-3694.
Z
Zanobetti, A., & Schwartz, J. (2009). The effect of fine and coarse particulate air pollution on mortality: a national analysis.
Environmental health perspectives, 117(6), 898.
Zhang, C., Ni, Z., & Ni, L. (2015). Multifractal detrended cross-correlation analysis between PM2. 5 and meteorological
factors. Physica A: Statistical Mechanics and its Applications, 438, 114-123.
Zhang, N. N., Ma, F., Qin, C. B., & Li, Y. F. (2018). Spatiotemporal trends in PM2. 5 levels from 2013 to 2017 and regional
demarcations for joint prevention and control of atmospheric pollution in China. Chemosphere, 210, 1176-1184.
Zhang, Y., Bocquet, M., Mallet, V., Seigneur, C., & Baklanov, A. (2012). Real-time air quality forecasting, part I: History,
techniques, and current status. Atmospheric Environment, 60, 632-655.
Zhao, C., Liu, Z., Wang, Q., Ban, J., Chen, N. X., & Li, T. (2019). High-resolution daily AOD estimated to full coverage
using the random forest model approach in the Beijing-Tianjin-Hebei region. Atmospheric Environment, 203, 70-78.
Zhou, S., Deng, Q., & Liu, W. (2012). Extreme air pollution events: Modeling and prediction. Journal of Central South
University, 19, 1668−1672.
Zeng, X., Pielke, R. A., & Eykholt, R. (1993). Chaos theory and its applications to the atmosphere. Bulletin of the American
Meteorological Society, 74(4), 631-644.
Zuur, A., Ieno, E. N., Walker, N., Saveliev, A. A., & Smith, G. M. (2009 a). Mixed effects models and extensions in ecology
with R. Springer Science & Business Media.
Zuur, A. F., Ieno, E. N., Walker, N. J., Saveliev, A. A., & Smith, G. M. (2009 b). Mixed effects modelling for nested data.
In Mixed effects models and extensions in ecology with R (pp. 101-142). Springer, New York, NY.